▷ Phrases recognition with Machine Learning #ML using #MYO device based on #FPGA

⭐⭐⭐⭐⭐ Phrases recognition with Machine Learning #ML using #MYO device based on #FPGA

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

🥇 International event:

http://www.innovatefpga.com/cgi-bin/innovate/teams.pl?Id=AS027

✅ Video:

✅ Objectives:

Caracterizar las señales de aceleración 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 de aceleración medidos por el dispositivo comercial MYO que representan actividad motora durante la ejecución de frases en lenguaje de señas de cualquier sujetos, estas señales contienen información en el dominio del tiempo y frecuencia correspondiente a la ejecución de una determinada frase. Las señales temporales de aceleración de tres ejes (x, y, z) pueden ser analizadas mediante algoritmos de clasificación para determinar de forma automática qué tipo de frase está realizando el sujeto, esta detección es usada para la interpretación y visualización del significado (monitor VGA / HDMI) para alguien que desconoce el lenguaje de señas. El presente trabajo no incluye la etapa de adquisición de señales de aceleración, utilizaremos señales previamente adquiridas medidas desde 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 e ejes del acelerómetro incorporado en el dispositivo MYO. Las ventanas temporales se definen en el experimento durante la adquisición de las señales de aceleración.
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: