Riconoscimento di Gesti da Segnali sEMG Tramite Intelligenza Artificiale per Applicazioni Protesiche

Abstract

La presente tesi di laurea triennale in ingegneria elettronica e tecnologie dell'informazione ha come obiettivo principale la creazione di un dataset di gesti acquisiti tramite sensori elettromiografici superficiali (sEMG) e il suo utilizzo per l'addestramento di modelli di Machine Learning dedicati alla classificazione dei movimenti motori. Per raggiungere tale scopo è stata progettata un'architettura software in Python dotata di una Graphical User Interface (GUI), dedicata a standardizzare la raccolta dati tramite Myo Armband. È stata effettuata una campagna di acquisizione dati su 20 utenti distinti, richiedendo l’esecuzione di uno specifico set di gesti. I dati biometrici sono stati strutturati e salvati in archivi matriciali compressi (.npz). Successivamente, sono state esplorate e valutate diverse architetture di Machine Learning per il riconoscimento dei movimenti eseguiti durante la sperimentazione. Sono stati proposti e testati diversi modelli di Reti Neurali Convoluzionali (CNN) a una dimensione. L'elaborato analizza le performance di queste reti utilizzando il dataset raccolto nella prima fase, dimostrando come l'ottimizzazione iperparametrica influisca sull'accuratezza della classificazione. In conclusione, viene confrontato il rendimento di questi modelli con e senza l'impiego della tecnica di Fine-Tuning.

The main objective of this bachelor's degree thesis in Electronic and Information Technology Engineering is the creation of a dataset of gestures acquired via surface electromyography (sEMG) sensors, and its utilization for training Machine Learning models dedicated to motor movement classification. To achieve this goal, a Python-based software architecture featuring a Graphical User Interface (GUI) was designed to standardize data collection using a Myo Armband. A data acquisition campaign was conducted on 20 distinct users, who were required to perform a specific set of gestures. The biometric data was structured and saved in compressed matrix archives (.npz). Subsequently, various Machine Learning architectures were explored and evaluated to recognize the movements performed during the experiment. Several one-dimensional Convolutional Neural Network (1D-CNN) models were proposed and tested. This work analyzes the performance of these networks using the dataset collected in the first phase, demonstrating how hyperparameter optimization affects classification accuracy. In conclusion, the performance of these models is compared with and without the application of the Fine-Tuning technique.