Lista przedmiotów z materiałami udostępnionymi dla studentów

Dla_studentów
  • Increase font size
  • Default font size
  • Decrease font size

Katarzyna Kazimierczak

Zastosowanie biblioteki BioSig do usuwania zakłóceń w sygnałach biomedycznych


Application of BioSig library for noise elimimation from biomedical signals


Opiekun pracy dyplomowej: dr inż. Aleksandra Królak
Praca dyplomowa IFE - BSc obroniona 2014-02-12
Streszczenie pracy dyplomowej:
Rozwój w dziedzinie przetwarzania sygnałów biomedycznych pozwala na opracowywanie nowej generacji systemów do komunikacji człowieka z komputerem opartych na analizie biosygnałów. Najczęściej wykorzystywanym biosygnałem w takich systemach jest obecnie elektroencefalografia (EEG), a systemy oparte na analizie sygnału elektromiograficznego (EMG) są niedoceniane. Jednak interfejsy oparte EMG mogą być bardzo przydatne dla osób o znacznym stopniu niepełnosprawności ruchowej. W ramach tej pracy została opracowana metoda rozpoznawania czterech prostych gestów dłoni na podstawie analizy sygnału EMG. Sygnał był rejestrowany z dwóch kanałów z wykorzystaniem systemu Biopac. Algorytm został zaimplementowany w środowisku Matlab. Charakterystyczne cechy dla każdego gestu zostały wyznaczone na podstawie analizy sygnału w dziedzinie częstotliwości. Do klasyfikacji wykorzystano dwustopniowy klasyfikator oparty na algorytmie Najbliższej Średniej (ang. Nearest Mean). Osiągnięte rezultaty zarówno w przypadku dokładności jak i precyzji utrzymywały się w przedziale 80 procent.
Abstract:
With the development in the field of biomedical signal processing, the branch of biosignal-based human–computer interaction systems has become wider. The most often used biosignal in human-machine communication is nowadays electroencephalography (EEG), while the systems based on electromyography (EMG) are underestimated. However, EMG-based interfaces can be extremely useful for persons with severe motor disabilities. In this project a method for recognition of four simple hand gestures based on EMG signal analysis was developed. The signal was acquired from two channels using Biopac system. The algorithm was implemented in Matlab software. The distinctive features for each gesture were extracted after the frequency-domain analysis. The classification was done using two-stage classifier based on Nearest Mean (NM) algorithm. Experimental results showed that the accuracy and precision of the proposed solution was established at the level of 80 per cent.