EMG based Hand Gesture Recognition using Deep Learning

Özdemir, Mehmet Akif; Kisa, Deniz Hande; Güren, Onan; Onan, Aytuğ; Akan, Aydın

doi:10.1109/tiptekno50054.2020.9299264

Cited by 27 publications

(10 citation statements)

References 10 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Additionally, EMG signals were collected from each participant within 5 repetitions. Thus, the presented dataset can be used in applications that are open to validation and require a lot of data to build an AI model [14] . The presented dataset may be a reference for validation methods to be developed in accordance with the patient-independent validation strategy.…”

Section: Data Descriptionmentioning

confidence: 99%

Dataset for multi-channel surface electromyography (sEMG) signals of hand gestures

et al. 2022

Self Cite

View full text Add to dashboard Cite

Section: Data Descriptionmentioning

confidence: 99%

Dataset for multi-channel surface electromyography (sEMG) signals of hand gestures

et al. 2022

Self Cite

View full text Add to dashboard Cite

“…The capacitive touch sensing technology has been successfully introduced as a low-cost and effective method to control the interface of IT devices and other controller systems. In addition, contact sensing has widely been utilized in the field of Health care [8] to monitor the electric signals from our body such as electrocardiogram [9,10], electromyography [11], and electroencephalography. Moreover, some systems that detect a person's existence and compute the localization through capacitive sensing have been devised in [12][13][14][15].…”

Section: Related Work and Motivationmentioning

confidence: 99%

Real-time Interface Control with Motion Gesture Recognition based on Non-contact Capacitive Sensing

Lee¹,

Mandivarapu²,

Ogbazghi³

et al. 2022

Preprint

View full text Add to dashboard Cite

Capacitive sensing is a prominent technology that is cost-effective and low power consuming with fast recognition speed compared to existing sensing systems. On account of these advantages, Capacitive sensing has been widely studied and commercialized in the domains of touch sensing, localization, existence detection, and contact sensing interface application such as human-computer interaction. However, as a non-contact proximity sensing scheme is easily affected by the disturbance of peripheral objects or surroundings, it requires considerable sensitive data processing than contact sensing, limiting the use of its further utilization. In this paper, we propose a real-time interface control framework based on non-contact hand motion gesture recognition through processing the raw signals, detecting the electric field disturbance triggered by the hand gesture movements near the capacitive sensor using adaptive threshold, and extracting the significant signal frame, covering the authentic signal intervals with 98.8% detection rate and 98.4% frame correction rate. Through the GRU model trained with the extracted signal frame, we classify the 10 hand motion gesture types with 98.79% accuracy. The framework transmits the classification result and maneuvers the interface of the foreground process depending on the input. This study suggests the feasibility of intuitive interface technology, which accommodates the flexible interaction between human to machine similar to Natural User Interface, and uplifts the possibility of commercialization based on measuring the electric field disturbance through non-contact proximity sensing which is state-of-the-art sensing technology.Preprint. Under review.

show abstract

“…Bu doğrultuda EMG, hareket hakkında kaslardan bilgi toplamak için avantajlı bir yaklaşımdır. Özellikle el hareketleri ve jestler insanın günlük yaşamında çok önemlidir ve bu hareketleri esas alan sistemlerde kullanılmak üzere el hareketlerinin analiz edilmesine ve sınıflandırılmasına ihtiyaç duyulmaktadır [5].…”

Section: Giriş (Introduction)unclassified

A decision-making mechanism based on EMG signals and adaptive neural fuzzy inference system (ANFIS) for hand gesture prediction

Kisa

Özdemir

Güren

et al. 2023

Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi

Self Cite

View full text Add to dashboard Cite

Üst ekstremite hareketi tam olarak sağlanamadığında, yapay zeka (artificial intelligence/AI) tabanlı sistemler hareketi destekleme ve kullanıcılara amaçlanan hareketin uygulanması konusunda yardımcı olurlar. AI tabanlı sistemlerde kontrolü sağlamak hareketlerin otomatik tahminini gerektirir. Kas elektriksel aktivitesinin temsili olan elektromiyografi (EMG), sanal gerçeklik uygulamaları ve protez kontrolleri gibi AI tabanlı sistemlerle kullanıldığında çeşitli faydalar sağlar. Bu çalışmada, bahsedilen sistemlere etkin kontrol sunmak ve tahmin performanslarını iyileştirmek amacıyla bulanık mantık (Fuzzy Logic/FL) tabanlı bir karar verme mekanizması sunulmuştur. Bu bağlamda, 30 katılımcıdan yedi farklı el hareketini taklit etmesi sonucunda oluşan EMG sinyalleri toplanmıştır. Gerekli ön işleme ve bölütleme işlemlerinin ardından elde edilen sinyallere Hilbert-Huang Dönüşümünün (HHD) ilk aşaması Görgül Kip Ayrışımı (GKA) metodu uygulandı ve İçsel Mod Fonksiyonları (İMF) elde edildi. İstatistiksel İMF seçim yöntemi ile belirlenen İMF’lere HHD uygulanmasıyla iyi çözünürlüklü zaman-frekans (time-frequency/TF) imgeleri elde edildi. Zaman ve frekans uzayının ortak temsiline dayalı görselleştirilmiş TF imgelerinden çeşitli ayırt edici öznitelikler çıkarıldı. İki farklı kümeleme tekniği uygulanan öznitelik veri seti, Uyarlamalı Sinirsel Bulanık Çıkarım Sistemi'ne (ANFIS) girdi olarak verildi. Yedi el hareketi sınıflandırması için Azaltımlı (Subtractive Clustering/SC) ve Bulanık C-ortalama (Fuzzy C-mean/FCM) kümeleme yöntemleri için ortalama doğruluk değerleri sırasıyla %93,88 ve %92,10 olarak elde edilmiştir. TF temsiline dayalı özniteliklerin FL yaklaşımlarıyla sınıflandırılması sonucu elde edilen bulgular, EMG gibi durağan ve doğrusal olmayan biyolojik sinyallerin sınıflandırılması için umut verici olduğunu göstermiştir.

show abstract

EMG based Hand Gesture Recognition using Deep Learning

Cited by 27 publications

References 10 publications

Dataset for multi-channel surface electromyography (sEMG) signals of hand gestures

Dataset for multi-channel surface electromyography (sEMG) signals of hand gestures

Real-time Interface Control with Motion Gesture Recognition based on Non-contact Capacitive Sensing

A decision-making mechanism based on EMG signals and adaptive neural fuzzy inference system (ANFIS) for hand gesture prediction

Contact Info

Product

Resources

About