Machine Learning Approaches for Embedded Real-Time Gesture Recognition
Vincenzo Barresi
Machine Learning Approaches for Embedded Real-Time Gesture Recognition.
Rel. Danilo Demarchi, Paolo Motto Ros. Politecnico di Torino, Corso di laurea magistrale in Ingegneria Biomedica, 2020
|
Preview |
PDF (Tesi_di_laurea)
- Tesi
Licenza: Creative Commons Attribution Non-commercial No Derivatives. Download (22MB) | Preview |
Abstract
Il riconoscimento di movimenti è un tema di ricerca che sta acquisendo sempre più popolarità, soprattutto negli ultimi anni, grazie ai progressi tecnologici dei dispositivi integrati e dei sensori. Oggi, soprattutto in ambito clinico, il metodo più utilizzato per il controllo di una protesi attiva di arto superiore si basa sul riconoscimento del pattern del segnale ElettroMioGrafico (EMG), che permette di identificare il tipo di movimento che il soggetto intende eseguire. In particolare, il riconoscimento dei movimenti della mano basati su segnali elettromiografici di superficie (sEMG) è un approccio promettente per lo sviluppo di interfacce uomo-macchina (HMI) con controllo naturale, come le interfacce robotiche o le protesi poli-articolate, con il risultato di un controllo più intuitivo e una rapida selezione dei movimenti.
L'obiettivo di questo lavoro di tesi è quello di utilizzare alcune delle tecniche di machine learning più conosciute per creare un sistema in grado di riconoscere e classificare i movimenti della mano in tempo reale, partendo dai segnali sEMG prodotti dai muscoli dell'avambraccio
Relatori
Tipo di pubblicazione
URI
![]() |
Modifica (riservato agli operatori) |
