Menangkap sinyal aktivitas otot dalam sistem pembelajaran mesin

Sekitar enam bulan yang lalu, saya datang dengan ide untuk membuat kerangka kerja terbuka untuk antarmuka saraf.


Dalam video ini, penangkapan sinyal otot EMG terjadi menggunakan sensor EMG delapan saluran di lengan bawah. Dengan demikian, kami menghilangkan melalui kulit suatu pola aktivasi neuron motorik yang tidak terenkripsi dan ditingkatkan otot.

Sinyal mentah dari sensor melalui Bluetooth pergi ke aplikasi Android / Android Things .

Untuk melatih sistem, kami akan menetapkan kelas gerakan ke gerakan tangan tertentu. Misalnya, jika kita memerlukan status "berhenti", serta rotasi dua motor dalam dua arah, kita akan merekam lima gerakan secara total. Kami mengumpulkan semuanya ke dalam file dan mengirimkannya untuk belajar di jaringan saraf . Pada input jaringan, kami memiliki aktivitas gugup, pada output, kelas gerakan yang dikenal.

Contoh arsitektur jaringan keras:

model = Sequential() # 8     8   model.add(Dense(36, activation='relu', input_dim=64)) model.add(Dense(20, activation='relu')) model.add(Dropout(0.2)) model.add(Dense(16, activation='relu')) # 5   model.add(Dense(5, activation='softmax')) sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True) model.compile(loss='categorical_crossentropy', optimizer=sgd, metrics=['accuracy']) 

https://www.kaggle.com/kyr7plus/naive-classifier

Server digunakan untuk mengkomunikasikan aplikasi dan jaringan saraf. Solusi client-server membuatnya mudah untuk pembelajaran mesin script menggunakan TensorFlow, tanpa mengubah kode aplikasi dan menghindari instalasi ulang yang konstan selama debugging.

Anda dapat menggunakan pengklasifikasi yang dihasilkan menggunakan TFLite atau Serving TF

Kode sistem ada di sini

Dalam rencana masa depan:

• Penciptaan sensor EMG multichannel open source bekerja melalui USB
• Eksperimen Pembelajaran Mesin untuk Meningkatkan Keandalan Manajemen

Teman saya Garastard berbicara tentang petualangan Android kami dengan antarmuka saraf dalam artikel ini.