▷ Alphabet letters recognition with #MachineLearning using #EMG #MYO device based on #FPGA

⭐⭐⭐⭐⭐ Alphabet letters recognition with #MachineLearning using #EMG #MYO device based on #FPGA

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

➡️ 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)
⭐ Read full paper: https://ieeexplore.ieee.org/document/9060290
✅ Read Proceedings: https://ieeexplore.ieee.org/xpl/conhome/9036713/proceeding
When using this resource, please cite the original publication:

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), 2019, pp. 812-817, doi: 10.1109/SmartWorld-UIC-ATC-SCALCOM-IOP-SCI.2019.00170.

➡️ ETCM2018: IEEE Ecuador Technical Chapters Meeting (ETCM)
⭐ Read full paper: https://ieeexplore.ieee.org/abstract/document/8580270
When using this resource, please cite the original publication:

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.

✅ Objectives:

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 lea datos preprocesados (.csv o .mat) 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:

Las señales EMG (Electromiografía) que representan actividad muscular de cualquier sujeto, pueden ser adquiridas de forma superficial utilizando electrodos en la piel que cubre el músculo de interés. Al adquirir señales EMG durante la ejecución de tareas motoras, estas señales contienen información en el dominio del tiempo y frecuencia correspondiente a la actividad muscular involucrada en la tarea motora realizada. Las señales EMG pueden ser analizadas mediante algoritmos de clasificación para determinar de forma automática qué tipo de actividad está realizando el sujeto, esta detección es usada para el control de prótesis de rehabilitación. El presente trabajo no incluye la etapa de adquisición de señales EMG, utilizaremos señales EMG previamente adquiridas medidas en el antebrazo por el dispositivo MYO. Se realizará un procesamiento post adquisición que incluye: caracterización y clasificación [1].
La caracterización es el proceso de extraer información relevante durante ventanas temporales equivalentes a la ejecución de las tareas motoras, se recomienda utilizar valores RMS de cada uno de los 8 electrodos del MYO. 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. [3-9].

✅ Reference: