ارائه کننده : علی شریفی
استاد راهنما: دکتر فواد قادری
استاد ناظر داخلی: دکتر صنیعی
استاد ناظر خارجی: دکتر رزقی (دانشکده علوم کامپیوتر دانشگاه تربیت مدرس)
استاد مشاور اول: دکتر نظرپور دانشگاه ادیبورگ
تاریخ: 1402/04/11
ساعت: 12  
مکان: سالن جلسات دانشکده مهندسی برق و کامپیوتر

چکیده:
امروزه سیگنال‌های الکترومیوگرافی کاربرد‌های فراوانی در دنیای واقعی دارند. یکی از کاربرد‌ها می‌تواند در بخش ساخت پروتزهای مصنوعی برای افراد دارای معلولیت یا قطع عضو باشد لذا استفاده از روش‌های جدید، جهت بهبود مدل‌ها در این زمینه بسیار اهمیت دارد. با توجه به ماهیت تعداد زیاد حرکات دست و گران بودن  فرآیند جمع آوری داده، توسعه مدل‌هایی که بتوانند با تعداد نمونه‌های کم، کارآیی خوبی از خود نشان دهند بسیار مهم است. یکی از راه حل‌های این مسئله استفاده از روش‌های فرایادگیری است که به کمک آن‌ها ‌می‌توان علاوه بر غلبه به کم بودن تعداد نمونه‌ها، به افزایش سرعت یادگیری مدل‌ها نیز پرداخت که از دیگر دغدغه‌ها در بحث کلاس بندی سیگنال‌های الکترومیوگرافی می‌باشد.
در پایان نامه جاری سعی شده است با رویکرد توسعه مدل ‌‌ها بر پایه مقالات مطرح شده در بحث فرایادگیری، به حل مسئله دسته بندی حرکات دست انسان با تعداد کم نمونه‌ها پرداخته شود. این امر با تغییر لایه‌ها و معماری مدل‌های مقالات و کارهای پیشین صورت گرفته است.
در رویکردهای کلاسیک که از مجموعه داده‌‌های بزرگ، ویژگی‌های سیگنال استخراج می‌شد و سپس مدل‌ها به دسته بندی حرکات دست انسان می‌پرداخت، پیشرفت‌های قابل توجه ای انجام شده است اما این مدل‌ها دربرابر تعداد کم نمونه‌ها آسیب پذیر می‌باشند و دقت به شدت افت می‌کند به طوری که مدل‌های پیاده سازی شده مرجع به دقتی حدودا 13درصد روی مجموعه دادگان Nino DB8 دست یافته ایم که با توجه به 9 کلاسه بودن مجموعه دادگان، نتیجه حاصل به انتخاب شانسی بسیار نزدیک است اما بهترین مدل پایان نامه جاری با همان مجموعه دادگان به دقت 30 درصد دست یافته است که این امر بیانگر نیاز به روش‌ها و مدل‌های خاص، برای بحث یادگیری با تعداد کم نمونه‌ها می‌باشد