Machine Learning Approaches for Embedded Real-Time Gesture Recognition

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. È stato implementato l'innovativo approccio della tecnica Average Threshold Crossing (ATC) per ridurre drasticamente il consumo di energia grazie ad una ridotta quantità di dati da elaborare. Questa tecnica calcola il parametro ATC determinando la media del numero di eventi di Threshold Crossing (TC) in una finestra temporale predefinita, ottenendo un indice adeguato dell’intensità dell'attivazione muscolare. Il sistema proposto è composto da tre canali di acquisizione, ciascuno dei quali acquisisce il segnale sEMG e fornisce il relativo segnale TC, e da un microcontrollore Apollo3 Blue, nel quale è incorporato l'algoritmo di machine learning che classifica il movimento eseguito. Il lavoro di tesi si concentra sul confronto tra le tecniche di ML di Artificial Neural Network (ANN), Support Vector Machines (SVM) e k-Means, valutandone le prestazioni durante la predizione online. Sfruttando le caratteristiche delle librerie ARM, è stata effettuata un'analisi di ottimizzazione del firmware al fine di ridurre il più possibile il consumo di energia e di ottenere una latenza adatta ad applicazioni in tempo reale.