Wyniki wyszukiwania - BazTech

1

VIRTUAL TOUCHPAD - video-based multimodal interface

Kupryjanow A., Kunka B., Czyżewski A.

Zeszyty Naukowe Wydziału ETI Politechniki Gdańskiej. Technologie Informacyjne

|

2010

|

T. 19

219-224

EN

A new computer interface named Virtual-Touchpad (VTP) is presented. The Virtual-Touchpad provides a multimodal interface which enables controlling computer applications by hand gestures captured with a typical webcam. The video stream is processed in the software layer of the interface. Hitherto existing video-based interfaces analyzing frames of hand gestures are presented. Then, the hardware configuration and software features of the Virtual-Touchpad are described.

PL

W referacie przedstawiono interfejs multimodalny o nazwie Wirtualny Touchpad. Umożliwia on sterowanie aplikacjami komputerowymi za pomocą gestów dłoni, wyekstrahowanych z obrazów przechwytywanych w czasie rzeczywistym z kamery wizyjnej. Opisano konfigurację sprzętową oraz warstwę oprogramowania interfejsu. Warstwa oprogramowania przetwarza strumień wizyjny, dokonuje detekcji i klasyfikacji określonych gestów oraz interpretuje je w celu wykonania odpowiednich akcji.

2

Rozpoznawanie ruchu rąk oraz chodu pacjentów na podstawie analizy sygnałów pochodzących z trójosiowych czujników przyspieszenia

Kupryjanow A., Kostek B.

Zeszyty Naukowe Wydziału ETI Politechniki Gdańskiej. Technologie Informacyjne

|

2010

|

T. 19

215-218

PL

W pracy przedstawiono eksperymenty związane z automatyczną klasyfikacją i rozpoznawaniem aktywności pacjentów z chorobą Parkinsona. W szczególności opisano algorytmy, mające na celu rozpoznawanie dwóch kategorii ruchu: ruchu rąk oraz chodu. Aktywności te wykrywane są na podstawie analizy sygnałów pochodzących z trójosiowych akcelerometrów umieszczonych na ciele osoby badanej.

EN

This paper presents two algorithms designed for human activity recognition. Those algorithms were created as a part of the PERFORM 24-h monitoring system. In the first part of the paper signal classification methodology as well as the algorithm description are shown. In the experimental part the recognition result accuracy is discussed.

3

Real-time speech stretching for supporting hearing impaired schoolchildren

Kupryjanow A., Czyżewski A.

Elektronika : konstrukcje, technologie, zastosowania

|

2010

|

Vol. 51, nr 3

24-27

EN

A study of time scale modification algorithms applied to support hearing impaired schoolchildren is presented. Variety of algorithms are considered, namely: overlap-and-add, two variations of synchronous overlap-and-add, and the phase vocoder. Their effectiveness as well as real-time processing capabilities are examined.

PL

W artykule przedstawiono przegląd algorytmów służących do modyfikacji czasu trwania mowy oraz analizę możliwość ich zastosowania do celu wspomagania procesu rozumienia mowy u dzieci w szkole. Zbadano następujące algorytmy: overlap and add, dwie odmiany algorytmu synchronous overlap and add oraz wokoder fazowy. W części eksperymentalnej zbadano skuteczność działania algorytmów oraz ich złożoność obliczeniową.

4

Influence of accelerometer signal preprocessing and classification method on human activity recognition

Kupryjanow A., Kaszuba K., Czyżewski A.

Elektronika : konstrukcje, technologie, zastosowania

|

2010

|

Vol. 51, nr 3

18-23

EN

A study of data preprocessing influence on accelerometer-based human activity recognition algorithms is presented. The frequency band used to filter-out the accelerometer signals and the number of accelerometers involved were considered in terms of their influence on the recognition accuracy. In the tests four methods of classification were used: support vector machine, decision trees, neural network, k-nearest neighbor.

PL

W artykule przedstawiono wpływ przetwarzania wstępnego sygnału przyspieszenia na skuteczność rozpoznawania aktywności ruchowych. Przeanalizowano zależność filtracji sygnałów oraz ilości zastosowanych czujników na skuteczność klasyfikacji. W badaniach wykorzystano cztery różne klasyfikatory: maszynę wektorów wsparcia, drzewa decyzyjne, sztuczne sieci neuronowe oraz klasyfikator najbliższego sąsiada.

5

Rozpoznawanie kategorii ruchu ludzkiego na podstawie analizy sygnałów pochodzących z trójosiowych czujników przyspieszenia

Kupryjanow A., Kaszuba K.

Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej

|

2009

|

Nr 26

53-56

PL

W artykule przedstawiono procedurę rejestracji sygnałów przyspieszenia pochodzących z czujników biomedycznych Shimmer, sposób ich rozmieszczenia na ciele oraz opisano klasyfikator pozwalający na rozpoznawanie wybranych kategorii ruchu ludzkiego. W części eksperymentalnej artykułu zbadano wpływ filtracji dolnoprzepustowej sygnałów na skuteczność rozpoznawania typu aktywności ruchowej.

EN

In many scientific fields, especially medicine, information about human activity is crucial. The analysis of acceleration data coming from the sensors mounted on human’s limbs and trunk allows automatic classification of patients’activities (e.g. sitting, walking, getting up, etc). In this paper, a neural network based motion activity classifier and the procedure for recording signals from accelerometers are described. Owing to a very fast development of microcontrollers, it is now possible to create devices which enable real-time recording and transmission of signals from accelerometers. Today’s miniaturization enables the integration of accelerometers, microcontrollers and Bluetooth transmitters into a single matchbox-size device. Research carried out by Intel resulted in highly integrated devices and software platforms designed for networks of sensors which communicate wirelessly. Small size and weight of such devices as well as low energy consumption make the montage of sensors on a human body technically possible and comfortable for patients. The research proved that the localization of sensors on a human body has a great impact on the accuracy of motion type recognition. Many experiments addressing this subject were conducted, and finally an optimal sensors configuration was chosen. A group of 16 healthy people was observed. The acceleration signals were sampled with the frequency of 51,2 Hz whereas the G force was set within the range of 0 to 4. The 64 sample windows with the 32 samples overlap were used for the analysis. For each window, a set of parameters was extracted, which allowed the classification of signals. The research showed that the motion classifier based on neural networks ensures satisfying efficiency of motion type classification. Activity recognition was performed off-line. The accuracy of detection depended on the type of activity and the way the activity was performed. It turned out that for a better network training and testing, a greater number of signals must be collected.