▷ Writing letters through eye movement using Machine Learning #ML based on #FPGA

 

⭐⭐⭐⭐⭐ Writing letters through eye movement using Machine Learning #ML based on #FPGA

• ➡️ #DigitalSystems #DigitalElectronic #DigitalCircuits #HDL #VHDL #FPGA
• ⭐ https://github.com/vasanza/MSI-VHDL

✅ Objectives:

• Adquisición de señales #EMG producidas por el movimiento ocular.
• Caracterizar las señales #EMG en el dominio del tiempo.
• Comparar el desempeño de uno o más algoritmos de clasificación.
• Medir los tiempos de procesamiento, % de CPU utilizado y % de memoria utilizada, en el procesador NIOSII, ARM ó ambos, según sea el caso (radar chart).

✅ Goals:

• Implementar un Sistema Embebido basado en #FPGA que adquiera señales de Electromiografía #EMG durante la ejecución de movimiento ocular, las señales #EMG serán almacenados en memoria Double Data Rate 3 Synchronous Dynamic #Random_Access_Memory #DDR3_SDRAM, el acceso se lo realizará a través del Hard Processor System #HPS. El proceso de entrenamiento del clasificador podrá ser realizado en computador convencional, luego el modelo entrenado en C++ deberá ser ejecutado por el procesador #NIOSII en la #FPGA. El sistema deberá tener como salida un monitor VGA ó HDMI que muestre los resultados de la clasificación de forma clara, los algoritmos de clasificación que puede utilizar el estudiante son: #k_means, #k_medoids, #DBSCAN, Spectral Clustering, Hierarchical Clustering, #SVM ó Neural Network #NN. El sistema basado en #FPGA es quien ejecuta los bloques del clasificador, pero los grupos que tengan estudiantes de telemática, no usarán la salida #VGA ó #HDMI sino deberán acceder a la interfaz visual por medio de una aplicación web desplegada en un servidor de aplicaciones web corriendo en un sistema operativo linux con procesador #ARM.

✅ Abstract:

• El trastorno de Parálisis Cerebral Infantil #PCI es una de las principales causas de afección en habilidades motoras en extremidades superiores e inferiores, entre las principales afecciones motoras están: diplejia, hemiplejia y cuadriplejia. Existen condiciones en las cuales las habilidades del habla han sido afectadas y estos casos se podrían asistir con ayuda de interfaces de interpretación de movimiento ocular. El presente trabajo busca aprovechar los movimientos oculares para realizar escritura de palabras para sistir la comunicación de personas que sufren de PCI con problemas del habla. El presente trabajo si incluye la etapa de adquisición de señales, para este fin utilizaremos una etapa de amplificación y filtrado analógico previo a la etapa de digitalización, luego se realizará un procesamiento de caracterización y clasificación [1].
• En la etapa de de adquisición, se realizará la adecuada amplificación de las señales EMG que vienen en el orden de los mV, además se deberá realizar un filtrado analógico paso alto con la finalidad de reducir el ruido de baja frecuencia tales como movimiento relativo entre piel-electrodos, etc. Así mismo se atenuará el ruido de frecuencias de la red eléctrica y sus armónicos. Nos centraremos en analizar las señales EMG que se encuentren en el rango de frecuencias 7 – 20Hz, ya que en este rango de frecuencias se registran actividad muscular [1].
• La caracterización es el proceso de extraer información relevante durante ventanas temporales equivalentes a la ejecución de las tareas motoras. Las ventanas temporales se definen en el experimento durante la adquisición de las señales EMG. Estas señales poseen mayor potencia en el rango de frecuencia 7 – 20Hz durante la ejecución de tareas motoras, siendo algunas de las características más utilizadas: PSD y Wavelet [1].
• En la clasificación se utilizan las características más representativas con las que los algoritmos tengan una mejor desempeño. Los algoritmos de clasificación que requieren de etapas previas de preprocesamiento y caracterización pertenecen a los algoritmos de Machine Learning tales como: KNN, Kmeans, dbscan, etc. [2,3]

✅ Reference :

• [1] Asanza, V., Peláez, E., Loayza, F., Mesa, I., Díaz, J., & Valarezo, E. (2018, October). EMG Signal Processing with Clustering Algorithms for motor gesture Tasks. In 2018 IEEE Third Ecuador Technical Chapters Meeting (ETCM) (pp. 1-6). IEEE.
• [2] C. Cedeño Z., J. Cordova-Garcia, V. Asanza A., R. Ponguillo and L. Muñoz M., "k-NN-Based EMG Recognition for Gestures Communication with Limited Hardware Resources," 2019 IEEE SmartWorld, Ubiquitous Intelligence & Computing, Advanced & Trusted Computing, Scalable Computing & Communications, Cloud & Big Data Computing, Internet of People and Smart City Innovation (SmartWorld/SCALCOM/UIC/ATC/CBDCom/IOP/SCI), Leicester, United Kingdom, 2019, pp. 812-817.
• [3] V. Asanza, A. Constantine, S. Valarezo and E. Peláez, "Implementation of a Classification System of EEG Signals Based on FPGA," 2020 Seventh International Conference on eDemocracy & eGovernment (ICEDEG), Buenos Aires, Argentina, 2020, pp. 87-92, doi: 10.1109/ICEDEG48599.2020.9096752.

✅ Hardware:

• (1) #DE10_Standard o #DE10_Nano
• (1) Monitor VGA / HDMI
• (2) #EMG sensor

✅ Database:

• https://drive.google.com/open?id=1IslUMXIISt87Hyuv6zXhgZ2M-eRKiiTA

✅ Expertos:  floayza, agabad

• Leer temas relacionados:
• ⭐ Projects Digital Systems Design #FPGA
• ✅ Introduction
• ✅ Programming
• ✅ #Proteus #PCB Design
• ✅ Paper: Monitoring of system memory usage embedded in #FPGA
• ✅ Embedded System Projects
• ➡️ End Device #Arduino #FreeRTOS
• ➡️ End Device + Coordinator #Raspberry Pi #Python
• ➡️ #Proteus #PCB Design
• ✅ TinyOS for sensor networks #XBEE
• ✅ Electronic Prototype Development using #ALTIUM #CircuitMaker
• ✅ Instalación de #ALTIUM #CircuitMaker y especificaciones del módulo #ESP32
• ✅ Microcontrollers Application using #Labview
• ✅ Práctica 1: Salidas Digitales #Arduino

⭐⭐⭐⭐⭐ DISEÑO DE SISTEMAS DIGITALES, PROYECTOS PROPUESTOS (2019 2do Término) from Victor Asanza