Poz tahmini için sensör tabanlı bir sistem tasarımı ve uygulaması
Küçük Resim Yok
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Bursa Teknik Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Fiziksel hareketlerin dijital ortamlarda gerçek zamanlı olarak modellenmesi son yıllarda gelişmekte olan bir konudur. Elektronik alanındaki hızlı gelişimler, gerçekliğin dijital ortama dönüştürülmesinde kolaylık sağlamaktadır. İnsan vücudunun eklem bölgelerinin hareketlerinin dijital ortama aktarılması, hem tıbbi uygulamalarda hem de insan vücudu ile senkronize çalışan diğer sistemlerde kritik bir rol oynamaktadır. Eklem hareketlerinin hassas ve hızlı bir şekilde dijital ortama aktarılması, tıbbi teşhis ve tedavi süreçlerinde daha hızlı ve doğru sonuçlar elde edilmesini sağlamaktadır. Tıbbi alanlarının dışında insan-robot etkileşimi gibi alanlarda da kullanılması önemli avantajlar sunmaktadır. İnsan vücudu ile senkronize bir şekilde çalışabilen bu sistemler, insanların zorlandığı görevleri daha yapılabilir duruma getirmekle kalmaz, aynı zamanda insanların potansiyel zarar görmesini de engelleyebilmektedir. Bu tez çalışmasında, insan vücuduna ait pozların tahmini için bir sistem geliştirilmesi amaçlanmıştır. Sistemin hem elektronik hem de yazılım bileşenleri bulunmaktadır. Tasarlanan elektronik sistem insan vücudu üzerinde on bölgeye yerleştirilecektir. Elektronik sistem üzerinde mikrodenetleyici, IMU sensör, Wi-Fi modülü ve diğer bileşenler bulunmaktadır. IMU sensörler kullanılarak insan vücudu üzerinden eğim değerleri alınarak Wi-Fi modülü ile bir veritabanına gönderilmektedir. Bilgisayar ortamında ise, tasarlanan bir arayüz programı ile bu sensör verileri veritabanından alınarak bir yapay sinir ağı modeli ile tahmin etme işlemi gerçekleştirilmektedir. Tahmin sonucunda ise, tahmin edilen pozun görsel ve sayısal bilgileri aynı arayüz programında gösterilmektedir. Tasarımda, elektronik sistemler tamamen modüler olarak kullanılmıştır. Besleme kaynağı olarak LiPo pil kullanılmıştır. Yapay zeka modeli eğitilmesi için gerekli veri setleri elektronik cihazın veri seti üretimi bölümü ile gerçekleştirilmiştir. IMU sensör verileri mikrodenetleyici hafızasında tutulmaktadır. Bu veriler yapay zeka modelinin eğitimi için girdi olarak verilmiştir. Sistemin eğitimi için 300.000 sensör verisi elde edilmiş ve sonuç olarak 10 poz için %90 doğrulukla poz tahmini gerçekleştirilmiştir.
The real-time modeling of physical movements in digital environments has emerged as a growing field in recent years. Advances in electronics have significantly facilitated the transformation of physical reality into digital form. Digitally capturing the motion of human joint regions plays a critical role in both medical applications and systems synchronized with the human body. The precise and rapid transfer of joint movements to a digital platform enhances the accuracy and speed of medical diagnosis and treatment processes. Beyond medical fields, such systems offer significant advantages in areas such as human-robot interaction. Systems synchronized with the human body not only make physically demanding tasks more manageable but also reduce potential risks to individuals. This thesis aims to develop a system for predicting human body poses. The proposed system encompasses both electronic and software components. The electronic system is designed to be deployed across ten regions of the human body. Key components include a microcontroller, IMU sensors, a Wi-Fi module, and other electronic elements. Using IMU sensors, angular orientation data is collected from the human body and transmitted to a database via the Wi-Fi module. On the software side, a custom-designed interface retrieves sensor data from the database and processes it using an artificial neural network (ANN) model for pose prediction. The predicted pose is then displayed both visually and numerically on the same interface. The electronic components of the system are designed to be fully modular. A LiPo battery is used as the power source. The system also features a data generation mechanism for training the AI model. IMU sensor data is stored in the microcontroller's memory and used as input for AI model training. A dataset comprising 300,000 sensor readings was collected for training, resulting in a pose prediction accuracy of 90% for 10 distinct poses.
The real-time modeling of physical movements in digital environments has emerged as a growing field in recent years. Advances in electronics have significantly facilitated the transformation of physical reality into digital form. Digitally capturing the motion of human joint regions plays a critical role in both medical applications and systems synchronized with the human body. The precise and rapid transfer of joint movements to a digital platform enhances the accuracy and speed of medical diagnosis and treatment processes. Beyond medical fields, such systems offer significant advantages in areas such as human-robot interaction. Systems synchronized with the human body not only make physically demanding tasks more manageable but also reduce potential risks to individuals. This thesis aims to develop a system for predicting human body poses. The proposed system encompasses both electronic and software components. The electronic system is designed to be deployed across ten regions of the human body. Key components include a microcontroller, IMU sensors, a Wi-Fi module, and other electronic elements. Using IMU sensors, angular orientation data is collected from the human body and transmitted to a database via the Wi-Fi module. On the software side, a custom-designed interface retrieves sensor data from the database and processes it using an artificial neural network (ANN) model for pose prediction. The predicted pose is then displayed both visually and numerically on the same interface. The electronic components of the system are designed to be fully modular. A LiPo battery is used as the power source. The system also features a data generation mechanism for training the AI model. IMU sensor data is stored in the microcontroller's memory and used as input for AI model training. A dataset comprising 300,000 sensor readings was collected for training, resulting in a pose prediction accuracy of 90% for 10 distinct poses.
Açıklama
Anahtar Kelimeler
Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
