Συγκριτική εφαρμογή αλγορίθμων μηχανικής μάθησης σε προβλήματα φαντασίωσης κίνησης, για άτομα με αναπηρίες

Γκράτσι, Αντών

Comparative evaluation of machine learning algorithms on motion imagery problems, for people with disabilities

Διπλωματική εργασία

Author

Γκράτσι, Αντών

Date

2025-02-27

Advisor

Rangoussi, Maria

Graci_262017011.pdf (4.728Mb)

Keywords

Φαντασίωση κίνησης ; Μηχανική μάθηση ; Βαθιά μάθηση ; Κατηγοριοποίηση κινητικής φαντασίωσης ; Νευρωνικά δίκτυα εμπρόσθιας τροφοδότησης ; Αναδρομικά νευρωνικά δίκτυα ; FNN ; Feedforward neural network ; RNN ; Άτομα με αναπηρία

Abstract

Η φαντασίωση της κίνησης παίζει κρίσιμο ρόλο στην ανάπτυξη υποστηρικτικών τεχνολογιών για άτομα με αναπηρίες, επιτρέποντας βελτιωμένη επικοινωνία, κινητικότητα και αποκατάσταση. Σε αυτή τη διπλωματική εργασία θα γίνει μια συγκριτική αξιολόγηση αλγορίθμων μηχανικής μάθησης που εφαρμόζονται σε προβλήματα φαντασίωσης κίνησης, εστιάζοντας στον εντοπισμό των πιο αποτελεσματικών προσεγγίσεων για εργασίες όπως η αναγνώριση χειρονομιών. Με την αξιοποίηση ενός συνόλου δεδομένων (dataset) αναλύεται και συγκρίνεται η απόδοση διάφορων αρχιτεκτονικών τεχνητών νευρωνικών δικτύων, συμπεριλαμβανομένων κλασσικών δικτύων όπως τα δίκτυα εμπροσθο-τροφοδότησης (feedforward neural networks) και δικτύων βαθιάς μάθησης, όπως τα αναδρομικά (recurrent) νευρωνικά δίκτυα. Οι μετρήσεις αξιολόγησης όπως η ακρίβεια, η υπολογιστική απόδοση και η ευχρηστία χρησιμοποιούνται για την αξιολόγηση της ισορροπίας που έχει επιτευχθεί μεταξύ της αλγοριθμικής απόδοσης και της πρακτικής εφαρμογής. Τα ευρήματα τονίζουν τα πλεονεκτήματα και τους περιορισμούς αυτών των νευρωνικών δικτύων, προτείνοντας τις πιο κατάλληλες τεχνικές για τις συγκεκριμένες περιπτώσεις χρήσης. Αυτή η έρευνα αποσκοπεί να γεφυρώσει το χάσμα μεταξύ των εξελίξεων που υπάρχουν στην ανάλυση φαντασίωσης κίνησης που βασίζεται σε τεχνητά νευρωνικά δίκτυα και των πρακτικών εφαρμογών της, προσφέροντας πολύτιμες γνώσεις για το σχεδιασμό υποστηρικτικών συστημάτων που βελτιώνουν την ποιότητα ζωής των ατόμων με κινητικές δυσκολίες.

Abstract

Motor imagery plays a critical role in developing assistive technologies for individuals with disabilities, enabling improved communication, mobility, and rehabilitation. This thesis conducts a comparative evaluation of artificial neural networks applied to motion imagery problems, focusing on identifying the most effective approaches for tasks such as gesture recognition, activity tracking, and rehabilitation monitoring. By leveraging publicly available datasets, the performance of various neural network architectures is analyzed and compared. These include classic architectures such as the Feedforward Neural Network (FNN) and more recent deep learning architectures, such as the Recurrent Neural Networks (RNN). Evaluation metrics such as accuracy, computational efficiency, and usability are employed to assess the trade-offs between algorithmic performance and practical implementation. The findings highlight the strengths and limitations of these neural networks, proposing the most suitable techniques for specific use cases. This research aims to bridge the gap between advancements in artificial neural network-based motion imagery analysis and real-world applications, offering valuable insights for designing assistive systems that enhance the quality of life for individuals with disabilities.