Loading...
Publication
Signal classification based on a hybrid approach of supervised and unsupervised machine learning
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 3.26 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
The main challenge in using optical sensors to collect data for automated prosthesis control lies in accurately predicting which finger is moving based solely on forearm signals. This is a complex task in the design of intelligent prosthetic systems, which must be both efficient and adaptive. However, improving the quality of life for individuals with motor
disabilities demands reliable interpretation of such biosignals.
This work proposes the use of machine learning algorithms to address this problem. In this research was used a dataset of signal acquired with a Fiber Bragg Grating sensor positioned on the forearm, on a group of ten patients. The group were asked realize some finger movements in order to gather data. The main problem is to identify which movement is being realized without labeling the signal. In this research will be analyzed methods to apply label on the data and classify them. The focus was to get a precise hybrid approach of supervised and unsupervised methods. k-Means was used as an unsupervised machine learning method to group similar data into distinct clusters and label the data. Random Forest was used as supervised learning algorithms to classify the data after labeling.
O principal desafio no uso de sensores ópticos para coletar dados para o controle automatizado de próteses reside na previsão precisa de qual dedo está se movendo com base apenas nos sinais do antebraço. Esta é uma tarefa complexa no projeto de sistemas protéticos inteligentes, que devem ser eficientes e adaptáveis. No entanto, melhorar a qualidade de vida de indivíduos com deficiências motoras exige uma interpretação confiável desses biossinais. Este trabalho propõe o uso de algoritmos de aprendizado de máquina para abordar esse problema. Nesta pesquisa, foi utilizado um conjunto de dados de sinais adquiridos com sensor de Rede de Bragg em Fibra Óptica colocado no antebraço, em um grupo de dez pacientes. O grupo foi solicitado a realizar alguns movimentos de de dedos para coletar dados. O principal problema é identificar qual movimento está sendo realizado sem rotular o sinal. Nesta pesquisa, serão analisados métodos para aplicar rótulos aos dados e classificá-los. O foco foi obter uma abordagem híbrida precisa de métodos supervisionados e não supervisionados. O k-Means foi utilizado como um método de aprendizado de máquina não supervisionado para agrupar dados semelhantes em clusters distintos e rotulá-los. O algoritmo Random Forest foi utilizado como algoritmo de aprendizado supervisionado para classificar os dados depois de rotulados.
O principal desafio no uso de sensores ópticos para coletar dados para o controle automatizado de próteses reside na previsão precisa de qual dedo está se movendo com base apenas nos sinais do antebraço. Esta é uma tarefa complexa no projeto de sistemas protéticos inteligentes, que devem ser eficientes e adaptáveis. No entanto, melhorar a qualidade de vida de indivíduos com deficiências motoras exige uma interpretação confiável desses biossinais. Este trabalho propõe o uso de algoritmos de aprendizado de máquina para abordar esse problema. Nesta pesquisa, foi utilizado um conjunto de dados de sinais adquiridos com sensor de Rede de Bragg em Fibra Óptica colocado no antebraço, em um grupo de dez pacientes. O grupo foi solicitado a realizar alguns movimentos de de dedos para coletar dados. O principal problema é identificar qual movimento está sendo realizado sem rotular o sinal. Nesta pesquisa, serão analisados métodos para aplicar rótulos aos dados e classificá-los. O foco foi obter uma abordagem híbrida precisa de métodos supervisionados e não supervisionados. O k-Means foi utilizado como um método de aprendizado de máquina não supervisionado para agrupar dados semelhantes em clusters distintos e rotulá-los. O algoritmo Random Forest foi utilizado como algoritmo de aprendizado supervisionado para classificar os dados depois de rotulados.
Description
Mestrado de dupla diplomação com a UTFPR - Universidade Tecnológica Federal do Paraná
Keywords
Clustering Biosignals k-Means Random forest