Rozpoznawanie ruchów głowy na podstawie sygnałów z czujników inercyjnych z zastosowaniem metod inteligencji obliczeniowej

Celem pracy było zbadanie zastosowania algorytmów uczenia maszynowego do
rozpoznania ruchów głowy. Wyniki otrzymane w wyniku zastosowania tych algorytmów
mogą zostać zastosowane do interfejsów człowiek-komputer w celu wsparcia osób
niepełnosprawnych.
W pracy opisano budowę i zasadę działania pierwszych interfejsów człowiekkomputer
oraz aspekty jakie trzeba rozważyć przy konstrukcji takiego interfejsu oraz
omówiono obszary ich zastosowań, w szczególności dla osób niepełnosprawnych. Podano
również przykłady interfejsów rozpoznających gesty głowy wraz z ich zastosowaniem.
Sygnały wykorzystane w pracy zostały zarejestrowane za pomocą urządzenia DUO
MLX, które posiada akcelerometr i żyroskop. Sygnałami tymi były przyśpieszenie liniowe i
prędkość kątowa zarejestrowane w 3 kierunkach. Dla tych sygnałów wyliczono 36
parametrów, które stanowiły wektor uczący dla badanych algorytmów uczenia maszynowego.
Uczestnicy badania wykonywali ruchy głową według schematów.
Algorytmami uczenia maszynowego które zastosowano do klasyfikacji ruchów głowy
były drzewa decyzyjne, lasy losowe oraz metoda k-najbliższych sąsiadów. Algorytmy te
dokonują klasyfikacji na podstawie zebranego wcześniej zbioru danych treningowych.
Badane algorytmy miały dużą dokładność przekraczającą 90%. Najlepsze wyniki uzyskano
dla metody k-najbliższych sąsiadów, dla której uzyskana dokładność wynosiła powyżej 95%.
Równie dobre wyniki otrzymano dla lasów losowych.
Spostrzeżenia zawarte w pracy, dotyczące każdego rodzaju ruchu mogą być przydatne
przy budowaniu interfejsu człowiek-komputer dla osób niepełnosprawnych
Słowa kluczowe: Uczenie maszynowe, Interfejsy człowiek-komputer, Rozpoznawanie
gestów, Czujniki inercyjne.

The aim of the study is to apply machine learning algorithms to recognize head
movements. Results obtained by using these algorithms can be used to build human-computer
interfaces, which can support disabled people.
First designs of human-computer interfaces are described, their structure and aspects,
which should be considered during building such interfaces. Examples of interfaces for head
gesture recognition were discussed also. Finally, applications of such interfaces for disabled
people were outlined.
Signals used in this study were registered by DUO MLX device, which is equipped with
an accelerometer and a gyroscope. These signals are linear accelerations and angular
velocities in three axis. Participants made different head movements (yaw, pitch and roll)
according to predefined protocol. There were calculated 36 features calculated for recorded
signals, that are training vectors for tested machine learning algorithms.
Machine learning algorithms for classification used in this study were decision trees,
random forests and k-nearest neighbours method, for classification head movements.
Classification based on these algorithms used training data collected from the 8 subjects. All
these algorithms achieved accuracy above 90%. The best results were obtained for k-nearest
neighbours method whose accuracy achieved 95%. Also goods results were obtained for the
random forest method.
Observations contained in this study about every kind of movement, can be useful in
creating human-computer interface for people with disabilities.
Keywords: Machine learning, human-computer interfaces, Gesture recognition, Inertial
sensors.