FPGA implementation of machine learning algorithms for vibrotactile feedback in prostheses
Protezlerde titreşim uyaranlı geri bildirim sağlamak için makine öğrenmesi algoritmalarının FPGA kartında çalıştırılması
- Tez No: 684696
- Danışmanlar: PROF. DR. BURAK GÜÇLÜ
- Tez Türü: Yüksek Lisans
- Konular: Biyomühendislik, Biyoteknoloji, Elektrik ve Elektronik Mühendisliği, Bioengineering, Biotechnology, Electrical and Electronics Engineering
- Anahtar Kelimeler: FPGA, Somatosensoryel Geri Bildirim, Vibrotaktil, Dokunma, Dokunsal Sensör, Proprioseptif Sensör, Karar Ağacı, Multinom Lojistik Regresyon, Makine Öğrenimi, Ayrık Olay Güdümlü Duyusal Geri Bildirim, FPGA, Somatosensory Feedback, Vibrotactile, Touch, Tactile Sensor, Proprioceptive Sensor, Decision Tree, Multinomial Logistic Regression, Machine Learning, Discrete Event-Driven Sensory Feedback Control
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Biyo-Medikal Mühendislik Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 110
Özet
Bu çalışmada, alanda programlanabilir bir kapı dizisinde (FPGA), dokunsal ve propriyoseptif verilerin makine öğrenme algoritmalarıyla, gerçek zamanlı sınırlandırılması ve protezler için ayrık olay güdümlü titreşimsel geri bildirimi uygulanması amaçlanmıştır. FPGA'ya önceden toplanmış sensör verileri girilerek, multinom lojistik regresyon (MLR) ve karar ağacı algoritmaları (DT) ile, hareket ve nesne tipine göre sınırlandırma yapılmıştır. Öznitelik olarak kalibre edilmiş sensör değerleri ve türevleri kullanılmıştır. Hareket tipi (hareketsiz durum, fleksiyon, temas, ektansiyon, ayrılma) ve nesne tipi (nesnesiz durum, sert nesne, yumuşak nesne) sınıları ayrık olaylar olarak tahmin edilmiştir. Modeller MATLAB'da eğitilmiştir, model parametreleri NI LabVIEW ve FPGA modülü kullanılarak FPGA'ya girilmiştir. Gerçek zamanlı sınıflandırma sonuçlarına göre FPGA kartında titreşişimsel geri bildirim işaretleri oluşturulmuştur. FPGA çıkışları, katılımcıların her iki koluna yerleştirilmiş iki aktüatörü sürmek için güç amplifikatörlerine gönderilmiştir. Nesne ve hareket tipi sınırları iki frekans ve iki genlik değeri (katılımcıya göre bağlı olarak) kullanarak kodlanmıştır. Altı sağlıklı insan, psikofiziksel deneylere katılmış ve mutlak algılama eşikleri ile sıralı titreşimsel geri bildirim verilen örüntü tanıma performansı ölçülmüştür. DT, hem nesne tipini (%97'ye karşı %94) hem de hareket tipini (%88'e karşı %59) MLR'den daha iyi sınırlandırmıştır. Ayrıca, katılımcılar hareket ve nesne tiplerini temsil eden sıralı olaylarla ilişkili titreşimsel geri bildirim işaretlerini orta düzeyde duyarlılıkla (0.38 ± 0.08) ve kesinlikle (0.38 ± 0.09) ayırt edebildiler. Sunulan tezde, protezler için FPGA tabanlı makine öğrenmesi kullanılarak titreşimsel geri bildirimin uygulanabilir olduğu gösterilmiştir.
Özet (Çeviri)
This study aimed to apply discrete event-driven vibrotactile feedback using machine learning algorithms in real time. Previously acquired tactile and proprioceptive sensor data were input to an FPGA and classified by multinomial logistic regression (MLR) and decision tree (DT) algorithms. Calibrated force and angle values and their derivatives were used as features. Movement-type (stationary, flexion, contact, extension, release) and object-type (no object, hard object, soft object) classes were predicted as discrete events. Training of the models was performed in MATLAB offline; model parameters were implemented in the FPGA by using NI LabVIEW and FPGA module. Vibrotactile feedback stimuli were generated in the FPGA card according to real-time classification. FPGA outputs were sent to custom-made power amplifiers to drive two actuators (Haptuator) placed on both upper arms of participants. The classes were mapped to discrete prosthesis events by using two frequencies and two magnitudes (relative to each participant). Six able-bodied humans participated in psychophysical experiments for measuring absolute detection thresholds and sequential pattern recognition of vibrotactile feedback. DT performed better than MLR for both object-type (97% vs. 94%) and movement-type (88% vs. 59%) classification in real time. Furthermore, the participants could distinguish vibrotactile feedback signals associated resulting from discrete events with medium recall (0.38 ± 0.08), precision (0.38 ± 0.09), similar to offline identification in our previous work. The presented thesis shows that FPGA implementation of machine learning for vibrotactile feedback is feasible in prostheses. It is expected that human performance for utilizing the feedback may increase during daily use because of additional sensory cues and physical context.
Benzer Tezler
- Design aspects of machine learning algorithms for the hardware implementation of advanced driver assistance systems (A/DAS)
Gelişmiş sürücü destek sistemlerinin (A/DAS) donanım uygulaması için makine öğrenimi algoritmalarının tasarım yönleri
GÜNER TATAR
Doktora
İngilizce
2024
Elektrik ve Elektronik MühendisliğiMarmara ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SALİH BAYAR
DR. ÖĞR. ÜYESİ İHSAN ÇİÇEK
- High level synthesis implementation of classification algorithms for breast cancer detection on xilinx FPGAs
Makine öğrenmesi sınıflandırma algoritmalarının xilinx FPGA üzerinde gerçeklenmesi
ASLIHAN HACER TÜFEKCİOĞLU
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik MühendisliğiMarmara ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SALİH BAYAR
- Makine öğrenmesi uygulamalarının FPGA gerçeklemesi ve performans analizi
FPGA implementation and performance analysis of machine learning applications
HALİL ASİL AYDIN
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. SADİYE NERGİS TURAL POLAT
- FPGA üzerinde HYSA ve HYSA'ya özel öğrenme algoritmalarının birlikte gerçeklenmesi
Implementation of CNN and CNN specific learning algorithms on FPGA
ERDEM KÖSE
Yüksek Lisans
Türkçe
2017
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MÜŞTAK ERHAN YALÇIN
- Evrişimsel sinir ağlarının FPGA üzerindehızlı ve kaynak verimli kısmi yapılandırma tabanlı gerçeklenmesi
Fast and resource efficient implementation of convolutional neural networks on FPGA based on partial reconfiguration
HADEE MAD-A-DUM
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. YAŞAR BECERİKLİ