Reconnaissance automatique des gestes de la main par analyse des signaux EMG de surface

Hammoudi, Abdelaziz (2023). Reconnaissance automatique des gestes de la main par analyse des signaux EMG de surface. Mémoire. Rimouski, Université du Québec à Rimouski, Département de mathématiques, informatique et génie, 97 p.

PDF Télécharger (3MB) | Prévisualisation

Résumé

RÉSUMÉ : Ce mémoire présente le processus de conception et d'implémentation d'un système de classification des gestes de la main basé sur les signaux électromyographique (EMG) de surface à l'aide de modèles d'apprentissage machine. Le mémoire couvre différentes étapes, allant de l'acquisition des signaux EMG à la classification finale. Il commence par fournir une compréhension de l'électromyographie (EMG), qui est le potentiel électrique généré par les fibres musculaires pendant la contraction ou la relaxation. Différentes méthodes d'acquisition des signaux EMG sont explorées, y compris les systèmes d'acquisition couramment utilisés, ainsi que de bases de données EMG populaires. Pour extraire efficacement les informations pertinentes des signaux, une technique de découpage en fenêtres est appliquée, suivie de l'extraction des caractéristiques clés de chaque fenêtre. Ensuite, l'accent est mis sur l'apprentissage machine, qui a gagné en popularité dans différents domaines de classification. Quatre algorithmes spécifiques, à savoir les machines à vecteurs de support (SVM), le perceptron multicouche (MLP), les k plus proches voisins (k-NN) et l’analyse discriminante linéaire (LDA), sont discutés en détail. Ce projet de recherche applique ces algorithmes à la reconnaissance des gestes de la main basée sur les signaux EMG en utilisant notre base de données. De plus, ils sont évalués sur la base de données EMG, obtenus du référentiel UCI (University of California at Irvine) pour évaluer leurs capacités de classification. Le système a été testé et évalué sous MATLAB dans les conditions réelles d’utilisation. Les résultats indiquent que la reconnaissance des gestes de la main basée sur les signaux EMG à l'aide d'algorithmes d'apprentissage machine est une approche prometteuse pour reconnaître avec précision les gestes de la main dans les conditions réelles. L'étude souligne le potentiel des algorithmes d'apprentissage machine pour améliorer l'exactitude de la reconnaissance des gestes par rapport à d'autres outils ou approches, ce qui permet le développement d'interfaces homme-machine (HMI) innovantes et efficaces. Finalement, cette étude démontre le potentiel de la reconnaissance des gestes de la main basée sur l'EMG à l'aide d'algorithmes d'apprentissage machine et fournit des informations précieuses pour les futures recherches dans ce domaine. Il subsiste encore des défis à surmonter concernant l'acquisition des données, l'extraction des caractéristiques et l'optimisation des algorithmes, dans le but d'améliorer le fonctionnement dans des conditions réelles. -- Mot(s) clé(s) en français : Classification des gestes de la main basée sur l'EMG, apprentissage machine, électromyographie, extraction de caractéristiques, test en condition réelles. --
ABSTRACT : This dissertation presents the process of designing and implementing a hand gesture classification system based on surface electromyographic (sEMG) signals using machinelearning models. The dissertation covers various stages, starting from the acquisition of EMG signals to the final classification. It begins by providing an understanding of electromyography (EMG), which is the electrical potential generated by muscle fibers during contraction or relaxation. Different methods of capturing EMG signals are explored, including commonly used acquisition systems, along with popular EMG databases. To extract relevant information from the signals efficiently, a windowing technique is used, followed by the extraction of key features from each window. Subsequently, the focus shifts to machine learning, which has gained popularity in various classification fields. Four specific algorithms, namely support vector machines (SVM), multilayer perceptron (MLP), k-nearest neighbors (k-NN) and linear discriminant analysis (LDA), are discussed in detail. This research project applies these algorithms to EMG-based hand gesture recognition using our database. Additionally, these algorithms are evaluated on the EMG database obtained from the UCI (University of California at Irvine) repository to assess their classification capabilities. The system was tested and evaluated with MATLAB under real conditions of use. The results indicate that EMG-based hand gesture recognition using machine learning algorithms is a promising approach for accurately recognizing hand gestures in real conditions. The study highlights the potential of machine learning algorithms to improve the accuracy of gesture recognition compared with other approaches, enabling the development of innovative and effective human-machine interfaces (HMIs).Finaly, this research highlights the potential of EMG-based hand gesture recognition using machine learning algorithms, and provides valuable information for future research in this field. However, challenges still lie ahead in terms of data acquisition, feature extraction and algorithm optimization, with the aim of improving performance under real conditions. -- Mot(s) clé(s) en anglais : EMG-based hand gesture classification, machine learning, electromyography, feature extraction, test in real conditions.

Type de document :	Thèse ou mémoire de l'UQAR (Mémoire)
Directeur(trice) de mémoire/thèse :	Bahoura, Mohammed
Information complémentaire :	Mémoire présenté dans le cadre du programme de maîtrise en ingénierie en vue de l'obtention du grade de maître ès sciences appliquées (M. Sc. A.).
Mots-clés :	Main - Mouvements - Classification; Électromyographie de surface; Apprentissage automatique; Reconnaissance de l'activité humaine (Informatique); EMG.
Départements et unités départementales :	Département de mathématiques, informatique et génie > Génie
Date de dépôt :	21 févr. 2025 18:12
Dernière modification :	21 févr. 2025 18:12
URI :	https://semaphore.uqar.ca/id/eprint/3229