نوقشت اطروحة الدكتوراه للباحث خالد علي عباس من كلية الهندسة جامعة البصرة قسم الهندسة الكهربائية بعنوان التعرف على ايماءات الاطراف العلوية باستخدام التعلم الالي. وتتضمن يُعد التعرّف على إيماءات اليد (HGR) مجالاً سريع النمو، وله تطبيقات واسعة النطاق في التفاعل بين الإنسان والحاسوب، والروبوتات والتكنولوجيا المساعدة، والعلوم الطبية. تُقدّم هذه الدراسة خوارزمية قائمة على التعلم الآلي للتعرف على إيماءات اليد، مستخرجة من إشارات MMG، ومقياس التسارع، والجيروسكوب، مقسمة إلى ثلاث مراحل منهجية.
في البداية، استخدمت مجموعة بيانات مجمّعة مسبقًا ( MMG-DATA) تضم ثماني إيماءات يد مميزة سُجلت من 35 مشاركًا باستخدام مقياس تسارع ثلاثي المحاور. استخرجت مجموعة شاملة من الخصائص الإحصائية الوصفية، واستُخدمت لتدريب خمسة مُصنّفات للتعلم المشرف (Decision (DT Support Naïve Bayes (NB) Linear Discriminant Analysis (LDA) Tree أجري تقييم الأداء في . and k-Nearest Neighbor (k-NN) Vector Machine (SVM( سيناريوين للتدريب / الاختبار: 80 تدريب و 20 اختبار، و 50% لكليهما. من بين المصنفات، حقق SVM أعلى دقة باستمرار، مؤكدًا استقرار وموثوقية النهج المقترح.
تضمنت المرحلة الثانية تطوير مجموعة بيانات جديدة، تُسمى HGAG DATA، جمعت باستخدام نموذج أولي قابل للارتداء مصمم خصيصا، يدمج مستشعرات التسارع والجيروسكوب. تتضمن هذه المجموعة تسجيلات لـ 11 حركة يد مميزة قام بها 43 مشاركًا من خلفيات ديموغرافية متنوعة، مما أسفر عن 23,650 عينة بيانات سداسية الأبعاد. تهدف HGAG DATA ، التي ستتاح للجمهور عبر Mendeley Data، إلى دعم تدريب نماذج التعرف على إيماءات اليد (HGR) والتحقق من صحتها وتعميمها. وتمتد تطبيقاتها الواسعة في مجالات متعددة، بما في ذلك الألعاب والرعاية الصحية والتقنيات المساعدة.
في المرحلة النهائية، تم تقييم أداء أربعة مصنفات، وهي (Decision Tree (DT - Ensemble Support Vector Machine (SVM) Nearest Neighbor (k-NN) (Bagged Trees (EBT في ظل هياكل بيانات متنوعة، وتكوينات تدريب / اختبار، وأبعاد متجهات الميزات. من بين هذه التصنيفات حقق مصنف EBT أعلى دقة بنسبة 99.23% ، يليه بفارق ضئيل SVM
و NN-. أظهرت المصنفات أداءً قويًا ومتسقا حتى عند تعرضها لأنماط بيانات جديدة ومجموعات ميزات مختصرة، مما يُبرز قابلية التعميم وفعالية النهج المقترح في تطبيقات التعرف على إيماءات اليد في العالم الحقيقي.
تظهر هذه الدراسة قيمة دمج بيانات ميكانيكية العضلات (MMG) وبيانات القصور الذاتي للتعرف الدقيق على الإيماءات، وتؤكد على أهمية مجموعات البيانات المنسقة جيدًا، وتُبرز إمكانية نشر النماذج المقترحة بفعالية في التطبيقات الواقعية.
اهم الاخبار
الاكثر مشاهدة
