Lista przedmiotów z materiałami udostępnionymi dla studentów

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

Karolina Olczak

Projekt i implementacja systemu rozpoznawania gestów z wykorzystaniem dwukanałowego sygnału EMG


Design and implementation of gesture recognition system based on two-channel EMG signal


Opiekun pracy dyplomowej: dr inż. Aleksandra Królak
Praca dyplomowa inżynierska obroniona 2022-02-03
Streszczenie pracy dyplomowej:
Celem pracy było zaprojektowanie i wykonanie systemu rozpoznawania gestów „kamień”, „papier” i „nożyce” na podstawie analizy dwukanałowego sygnału EMG. Do tego celu został wykorzystany układ Arduino Uno oraz dwa czujniki MyoWare Muscle Sensor. W języku Python zaimplementowano algorytmu do analizy sygnału EMG i rozpoznawania trzech gestów. System swoje działanie rozpoczyna kalibracją, w trakcie której osoba wykonuje przez 15 sekund kolejno każdy gest. Po tym procesie następuje właściwe rozpoznawanie wykonywanych w czasie rzeczywistym gestu lub jego brak. Wynik zwracany jest za pomocą ikonografii wyświetlanej w okienku programu. Badanie stworzonego algorytmu zostało przeprowadzone na 8 osobach i na jego podstawie zostały obliczone parametry dla każdego gestu oraz dla całego urządzenia. Dokładność wyniosła 82,1%, precyzja 92,54%, natomiast czułość 87,91%. Świadczy to o osiągnięciu celu pracy, a wyniki wskazują na duży potencjał systemu. Słowa kluczowe: rozpoznawanie gestów, MyoWare, Arduino, EMG, Python.
Abstract:
The aim of the project was to implement a “rock”, “paper” and “scissors” gesture recognition system based on an analysis of a two-channel EMG signal. For this purpose, the Arduino Uno system and two MyoWare Muscle Sensors were used. An algorithm was implemented in Python programming language to analyze the EMG signal and recognize three gestures. The system starts its operation with calibration, during which the person performs each gesture in turn for 15 seconds. This process is followed by proper recognition of real-time performed gestures or their absence. The result is displayed using iconography in the program window. The developed algorithm was tested on 8 people and the statistical parameters for each gesture and for the entire device were calculated. The accuracy was 82.1%, precision 92.54%, and the sensitivity was 87.91%. It shows that goal of the thesis was achieved, and the results prove the potential of the system. Keywords: gesture recognition, MyoWare, Arduino, EMG, Python