|
Эта публикация цитируется в 2 научных статьях (всего в 2 статьях)
АНАЛИЗ И МОДЕЛИРОВАНИЕ СЛОЖНЫХ ЖИВЫХ СИСТЕМ
Анализ эффективности методов машинного обучения в задаче распознавания жестов на основе данных электромиографических сигналов
П. С. Козырь, А. И. Савельев Санкт-Петербургский Федеральный исследовательский центр Российской академии наук,
Санкт-Петербургский институт информатики и автоматизации Российской академии наук,
Россия, 199178, г. Санкт-Петербург, 14 линия, д. 39
Аннотация:
При разработке систем человеко-машинных интерфейсов актуальной является задача распознавания жестов. Для выявления наиболее эффективного метода распознавания жестов был проведен анализ различных методов машинного обучения, используемых для классификации движений на основе электромиографических сигналов мышц. Были рассмотрены такие методы, как наивный байесовский классификатор (НБК), дерево решений, случайный лес, градиентный бустинг, метод опорных векторов, метод $k$-ближайших соседей, а также ансамбли методов (НБК и дерево решений, НБК и градиентный бустинг, градиентный бустинг и дерево решений). В качестве метода получения информации о жестах была выбрана электромиография. Такое решение не требует расположения руки в поле зрения камеры и может быть использовано для распознавания движений пальцев рук. Для проверки эффективности выбранных методов распознавания жестов было разработано устройство регистрации электромиографического сигнала мышц предплечья, которое включает в себя три электрода и ЭМГ-датчик, соединенный с микроконтроллером и блоком питания. В качестве жестов были выбраны: сжатие кулака, знак «большой палец», знак «Виктория», сжатие указательного пальца и взмах рукой справа налево. Оценка эффективности методов классификации проводилась на основе значений доли правильных ответов, точности, полноты, а также среднего значения времени работы классификатора. Данные параметры были рассчитаны для трех вариантов расположения электромиографических электродов на предплечье. По результатам тестирования, наиболее эффективными методами являются метод $k$-ближайших соседей, случайный лес и ансамбль НБК и градиентного бустинга, средняя точность которого для трех положений электродов составила 81,55 %. Также было определено положение электродов, при котором методы машинного обучения достигают максимального значения точности распознавания. При таком положении один из дифференциальных электродов располагается на месте пересечения глубокого сгибателя пальцев и длинного сгибателя большого пальца, второй — над поверхностным сгибателем пальцев.
Ключевые слова:
машинное обучение, распознавание жестов, человеко-машинный интерфейс, электромиография, ансамбль методов, градиентный бустинг, метод $k$-ближайших соседей, дерево решений.
Поступила в редакцию: 30.09.2020 Исправленный вариант: 09.02.2021 Принята в печать: 09.02.2021
Образец цитирования:
П. С. Козырь, А. И. Савельев, “Анализ эффективности методов машинного обучения в задаче распознавания жестов на основе данных электромиографических сигналов”, Компьютерные исследования и моделирование, 13:1 (2021), 175–194
Образцы ссылок на эту страницу:
https://www.mathnet.ru/rus/crm876 https://www.mathnet.ru/rus/crm/v13/i1/p175
|
|