Iskanje po katalogu digitalne knjižnice

Opis: V delu smo zasnovali sistem za upravljanje kvadrokopterja v realnem času z uporabo vmesnika mišice-stroj. V programskem jeziku C# smo za operacijski sistem Windows izdelali aplikacijo, v kateri smo uporabili različne klasifikacijske algoritme iz odprtokodne knjižice Accord.NET. Klasifikacijo smo izvajali na računalniku s procesorjem Intel Core i7 2,8GHz ter 24 GB pomnilnika. Signale EMG smo zajeli s komercialno dostopno zapestnico Myo, ki omogoča zajem površinskih signalov EMG s podlahti. Uspešnost klasifikacije smo preizkusili na modelu kvadrokopterja Eachine E010, ki ga smo krmilili preko vmesnika nRF24L01 in mikrokontrolerja Atmel ATmega32u4 na razvojni plošči Arduino Micro. Klasificirane gibe smo uporabili za krmiljenje treh prostorskih stopenj kvadrokopterja. Giba ekstenzija in fleksija smo uporabili za nadzor naklona, pronacijo in supinacijo za nadzor nagiba ter ulnarno in radialno deviacijo za nadzor odklona. Za nadzor moči motorjev smo uporabili podatke inercijske merilne enote. Najboljše rezultate klasifikacije sta dajala algoritma SVM in k-NN, ki sta klasificirala s 95% pravilnostjo.
Ključne besede: elektromiogrami, kvadrokopter, vmesniki mišice-stroj, Arduino, zapestnica Myo
Objavljeno v DKUM: 05.04.2018; Ogledov: 1413; Prenosov: 157
Celotno besedilo (6,00 MB)

Opis: V magistrskem delu podamo pregled izgubnih ter brezizgubnih stiskanj, ki bi se lahko uporabila za shranjevanje večkanalnih površinskih signalov EMG. Podrobneje preučimo posledice izgubnega stiskanja za izvedbo dekompozicije signalov EMG na prispevke posameznih motoričnih enot. Rezultata magistrske naloge sta prototip namizne aplikacije za stiskanje in razširjanje površinskih signalov EMG ter analiza uporabljenih metod stiskanja. Prototipna aplikacija omogoča odpiranje datotek s končnico OTB, branje metapodatkov o signalih iz pripadajočih datotek s končnico XML ter branje in pisanje vrednosti signalov iz in v datoteke s končnico SIG.
Ključne besede: izgubno stiskanje, brezizgubno stiskanje, površinski elektromiogrami, analiza poglavitnih komponent
Objavljeno v DKUM: 04.07.2016; Ogledov: 1443; Prenosov: 143
Celotno besedilo (3,10 MB)

Opis: Analiza bioelektričnih signalov, ki jih lahko izmerimo na človeškem telesu, je pomemben sestavni del diagnosticiranja v medicini. Klinična diagnoza za mnoge mišične in živčne bolezni se da postaviti dosti zanesljiveje, če lahko ugotovimo, kakšni so prispevki posameznih delov mišic v skupnem bioelektričnem signalu, imenovanem elektromiogram (EMG). V Laboratoriju za sistemsko programsko opremo so razvili dekompozicijski postopek za signale EMG. Temelji na inverzu korelacijske matrike in se imenuje kompenzacija konvolucijskih jeder (CKC). Metoda je zelo uspešna in je bila obširno klinično preizkušena. CKC deluje bločno, z daljšimi odseki signalov, kar ne omogoča analize meritev v realnem času, zato je bil postopek modificiran v sekvenčno različico CKC, imenovano sekvenčna CKC (sCKC). Njeno bistvo je, da dela iterativno in posodablja komponente iz formule CKC med meritvami ob zajemu vsakega novega nabora vzorcev. V magistrski nalogi smo izboljšali algoritme, vgrajene v sCKC, in delovanje nove zasnove preizkusili v različnih, zahtevnih razmerah. Najprej smo preverili vpliv števila vzorcev, ki so vključeni v inicializacijski del postopka. Izhajali smo iz CKC in ugotavljali, kako kratki so lahko signalni odseki, da so dekompozicijski rezultati še zadovoljivi. Pokazalo se je, da CKC da zadovoljive rezultate, če so signali dolgi vsaj 2 do 3 s, medtem ko se število zaznanih motoričnih enot (ME) pri signalih, daljših od 5 s, ne spreminja. Nato smo preverili, kako dobro se sCKC obnese pri dekompoziciji sintetičnih in realnih signalov EMG. V vseh primerih je bil signalom dodan šum različnih moči, opredeljen z razmerjem signal-šum (SNR). Pri razcepu sintetičnih EMG smo primerjali rezultate sCKC in referenčne metode LMMSE (Linear Minimum Mean Square Error). Za ocenjevanje sprejemljivosti dekomponiranih vlakov inervacijskih impulzov smo uporabljali dve meri: senzitivnost (število pravilno postavljenih impulzov) in delež napačno postavljenih impulzov. V vseh šumnih primerih je sCKC zaznala število ME, primerljivo s številom ME pri CKC, to pa je med 5 in 10 ME. Preizkušali smo tudi vpliv števila vzorcev, vključenih v posamezen posodobitveni korak, in ugotovili, da število vzorcev v posodobitvenem koraku vpliva izključno na čas izvajanja sCKC, ki se z večanjem števila vzorcev povečuje s kubom. Z analizo dekompozicije sintetičnih EMG smo lahko nazorno pokazali, da CKC in sCKC uspešno odkrijeta motorične enote (ME), ki so najbliže merilnim elektrodam. Oddaljenost oziroma globina razpoznanih ME v mišici je večja, če je SNR večji. Izboljšano sCKC smo preizkusili tudi z realnimi signali EMG. Izmerjeni so bili pri krčenju dveh različnih mišic, in sicer biceps brachii in tibialis anterior. Za referenčno metodo je služila CKC, saj LMMSE zahteva apriorne informacije o odzivih ME, ki pri realnih signalih niso znani. Ponovno se je sCKC postavila ob bok CKC glede na število zaznanih ME, ki smo jih zaznali med 3 in 9. Edina razlika je, da sCKC ustvari več nepopolnih dekompozicij, ki jih je glede na vse zaznane ME okoli 20 %. Izhodiščna zahteva pri razvoju sCKC je bila, da deluje realnočasovno. Zato smo z analitičnimi izračuni časovne zahtevnosti in izmerjenimi časi posameznih delov algoritma sCKC pokazali, da je sCKC ob pravilni izbiri števila vzorcev v posodobitvi bistveno hitrejša od CKC, vendar na žalost še ne izpolnjuje pogojev za realnočasovno obdelavo.
Ključne besede: razcep sestavljenih signalov, kompenzacija konvolucijskih jeder, iterativno računanje matričnih inverzov, Sherman-Morrisonova formula, površinski elektromiogrami
Objavljeno v DKUM: 14.12.2010; Ogledov: 2779; Prenosov: 176
Celotno besedilo (6,41 MB)