Avkodning av handrörelser och handskrift från elektromyografi-data

Thumbnail Image

Files

URL

Journal Title

Journal ISSN

Volume Title

Sähkötekniikan korkeakoulu | Bachelor's thesis
Electronic archive copy is available locally at the Harald Herlin Learning Centre. The staff of Aalto University has access to the electronic bachelor's theses by logging into Aaltodoc with their personal Aalto user ID. Read more about the availability of the bachelor's theses.
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2025-05-19

Department

Major/Subject

Bioinformaatioteknologia

Mcode

ELEC3016

Degree programme

Sähkötekniikan kandidaattiohjelma

Language

sv

Pages

31

Series

Abstract

Elektromyografi (EMG) är en metod som används för att analysera myoelektrisk aktivitet. Studier har undersökt hur olika klassificeringsmetoder kan användas för att analysera signaler som samlas under EMG-mätningar för att sedan avkoda rörelser baserat på musklernas aktivitet. Forskningsområdet har möjliga tillämpningar inom utvecklingen av myoelektriska proteser eller diagnostik av neurodegenerativa sjukdomar som påverkar finmotoriken. Kandidatarbetet är en litteraturstudie som behandlar ett antal studier där EMG-data har använts för att avkoda handrörelser eller handskrift, och syftet med arbetet är att bidra till områdets utveckling genom att lyfta fram aspekter av studierna som fungerar eller som inte fungerar, och föreslå eventuella förändringar baserat på luckor i studierna. Studiernas resultat tyder på att avkodning av handskrift och handrörelser är möjligt med hjälp av maskininlärningsmetoder och ett antal förbehandlingsmetoder. Maskininlärningsmetoderna inkluderar, men är inte begränsade till, stödvektormaskiner (SVM), neurala nätverk och linjär diskriminantanalys (LDA). En av signalbehandlingsmetoderna som är i stort fokus är Dynamic Time Warping (DTW). För att öka på klassifikationsmetodernas prestanda används olika metoder av feature engineering eller dimensionalitetsminskning, exempelvis PCA.

Description

Supervisor

Turunen, Markus

Thesis advisor

Liljeström, Mia

Keywords

EMG, elektromyografi, sEMG, imEMG, maskininlärning, avkodning

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202506104371

Collections

[kand] Sähkötekniikan korkeakoulu / ELEC