Said, Sherif Mohamed
[Author]
;
Paris Est
[Contributor];
Nait-Ali, Amine
[Contributor]
Machine learning based wearable multi-channel electromyography : application to bionics and biometrics ; Apprentissage machine d’un modèle d’électromyographie de surface : application en bionique et en biométrie
You can manage bookmarks using lists, please log in to your user account for this.
Media type:
E-Book;
Electronic Thesis;
Text
Title:
Machine learning based wearable multi-channel electromyography : application to bionics and biometrics ; Apprentissage machine d’un modèle d’électromyographie de surface : application en bionique et en biométrie
Footnote:
Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
Description:
Les technologies portables ont été largement utilisées au cours des dernières décennies dans les applications de bio-ingénierie. Dans le cadre de nos travaux de thèse, un bracelet portable permettant l’acquisition sans fils de signaux d’électromyogramme de surface (sEMG) a été utilisé dans une étude de recherche, afin de : (1) contrôler une prothèse bionique que nous avons nous-même conçu, (2) contrôler, entre autres, les accès aux ressources par vérification biométrique. La première contribution est liée au domaine de la santé, alors que la deuxième contribution relève de l’aspect sécuritaire.Dans le contexte de l’application bionique, nos expérimentations nous ont menés à collecter chez 23 sujets sains, des signaux sEMG (320 au total) servant à entrainer un modèle de reconnaissance de gestes que l’on a validé sur un sujet présentant un handicap (bras amputé). En termes de traitement de données, de nombreux classifieurs d'apprentissage automatique ont été évalués. Ainsi, le classifieur de machine à vecteur de support (SVM) s'est avéré prometteur au regard du taux de classification atteint (89,93%).Par ailleurs, dans la deuxième contribution, nous avons étudié la possibilité d’utiliser les signaux sEMG multicanaux (collectés par bracelet EMG sans fils) comme modalité biométrique pour la vérification et l’identification des individus. Dans ce contexte, nous avons construit une base de données de signaux sEMG multicanaux (8960 au total) en impliquant 56 sujets volontaires. Chaque sujet effectue une combinaison spécifique de gestes de la main générant ainsi des signaux EMG dont le code permet de former un mot de passe. Lorsque l’on considère la vérification des utilisateurs, des signatures sont extraites, à la fois du domaine fréquentiel et du domaine temporel. Ainsi, dans nos travaux, trois classifieurs ont été considérés, à savoir : K-plus proches voisins (KNN), analyse de discernement linéaire (LDA) et méthodes ensemblistes. Les résultats montrent que le KNN présente une précision de 97,4%, FAR de 0% et un FRR ...