استفاده از دستکش هوشمند با قابلیت فیبر نوری پلاستیکی برای تشخیص حرکات مبتنی بر یادگیری ماشینی
تشخیص حرکت همیشه جهت گیری مهمی تحقیق در مطالعات تعامل انسان و کامپیوتر (HCI) بوده است. در این مقاله، یک سیستم تشخیص حرکت پوشیدنی مبتنی بر حسگر انحنای فیبر نوری پلاستیکی (POF) D شکل پیشنهاد شده و به صورت تجربی مورد مطالعه قرار گرفته است. حسگر انحنای POF دی شکلِ بسیار حساس به نیروی خمشی ساخته شده و همراه با یک سیستم دریافت سیگنال 5 کانال بر روی صفحه PCB (4.5×8 سانتیمتر) در یک دستکش الاستیک برای جمع آوری دادههای حرکتی انگشتان تعبیه شد. 13 حرکت اشاره و 11 حرکت عمل مشت کردن برای آن تعریف شد و همچنین دادههای حرکتی، دادههای خم شدن مفصل و دادههای ترکیبی از هر دو حرکت عادی سازی شده، سپس کالیبره شده و به ترتیب براساس تابع گاوسی و شبکههای عصبی پیشخور (FNN) وارد یک کلاسیفایر دستگاه بردار پشتیبانی (SVM) شد. دقت تشخیص مبتنی بر SVM از 13 حرکت و 11 خم شدن مطابق با تابع هسته گاوسی در مدل کلاسیفایر SVM و FNN به ترتیب 99.8 و 97.7 درصد بود.
تعامل انسان-کامپیوتر (HCI) به تعامل اطلاعاتی بین کاربران و رایانهها ازطریق ارتباطات خاص اشاره دارد. تشخیص حرکت، به عنوان یک جهت تحقیقاتی قدیمی در حوزه HCI، به طور کلی حالات حرکت را ازطریق الگوریتمهای تشخیص الگو برای تحقق بخشیدن به تعامل طبیعی و هماهنگ انسان و کامپیوتر در زمان واقعی تجزیه و تحلیل میکند. امروزه، تشخیص حرکت اساسا شامل تشخیص حرکات بصری یا مبتنی بر حسگر میشود. ازمیان آنها، تشخیص حرکت بصری به راحتی توسط شرایط دستگاهی و محیطی محدود میشود. به عنوان مثال، اگر نور دوربین درحین عکسبرداری خیلی روشن یا خیلی تاریک باشد، کیفیت تصاویر گرفته شده تحت تاثیر قرار میگیرد و درنتیجه، دقت تشخیص نیز تحت تاثیر قرار میگیرد. با این حال، تکنولوژی تشخیص مبتنی بر حسگر تحت تاثیر نور محیط و رنگ پس زمینه قرار نمیگیرد. این فرایند داده اکتسابی پایدار و سادهای از پردازش سیگنال ارائه میدهد که بر کاستیهای این تکنولوژی تشخیص بصری غلبه میکند. احمد آکل و همکارانش در سال 2011 سیستم تشخیص حرکت مبتنی بر حسگر شتاب دهنده پیشنهاد کردند که کاربر مستقل را تشخیص میدهد. داسیلوا و همکارانش نیز در سال 2011 یک سیستم مانیتورینگ حرکت مبتنی بر حسگر فیبر براگ گریتینگ (FBG) پیشنهاد کردند که با موفقیت اطلاعات وضعیت دست را استخراج کرد. در سال 2014، لیو کوی و همکارانش یک سیستم تشخیص حرکت مبتنی بر حسگرهای اینرسی را مطرح کردند که 5 نوع حرکت را تشخیص میداد. در سال 2020، سیو و همکارانش سیستم تشخیص حرکت مبتنی بر حسگر انعطاف پذیر بیونیک را پیشنهاد دادند که دقت تشخیص آن برای 5 نوع حرکت 82.3 درصد بود.
همچنین در سال 2021، وی کیت ونگ و همکارانش سیستم تشخیص حرکت مبتنی بر حسگر خازنی را معرفی کردند که در استخراج و تشخیص ویژگیهای حرکتی موفق عمل کرد. در سال 2021، ژونگ منگ ژوان و همکارانش نیز یک سیستم تشخیص حرکت مبتنی بر حسگر فشار انعطاف پذیر را پیشنهاد دادند که حرکات اشاره را تشخیص میداد. با این حال، سیستمهای تشخیص حرکت مبتنی بر حسگر الکترونیکی به تداخل الکترومغناطیسی حساس هستند و سیستمهای تشخیص حرکت مبتنی بر حسگر شیمیایی نیز پیچیده و پرهزینه هستند. ازطرفی، مانیتورینگ حرکتی مبتنی بر حسگر FBG ازلحاظ دمدولاسیون پیچیده، شکننده و در سیستم تولید پرهزینه است. بنابراین، برای رفع نواقص در این فناوریها، این مقاله یک سیستم تشخیص حرکت پوشیدنی مبتنی بر حسگر انحنای POF دی شکل را معرفی میکند. از ویژگیهای این سیستم میتوان تداخل ضد الکترومغناطیسی، هزینه کم، ساخت ساده، استفاده آسان، انعطاف پذیری و حساسیت بالا را نام برد. این سیستم همچنین از پتانسیل کاربردی بالایی در حوزه HCI، ربات توانبخشی پزشکی، حوزههای زبان اشاره و تشخیص رفتار فعالیت انسانی برخوردار است.
الف. طراحی سیستم
در شکل زیر یک نمودار شماتیک از سیستم تشخیص حرکت ارائه شده است.
شکل 1:
این سیستم شامل یک دستکش حسگر و یک پلتفرم ارزیابی حرکت است. باتوجه به شکل زیر، دستکش حسگر از یک حسگر انحنای فیبر نوری پلاستیکی (POF) D شکل، یک ماژول ثابت حسگر، مدار تقویت ولتاژ، ماژول انتقال بیسیم، ماژول منبع تغذیه و واحد کنترلر میکرو (MCU) کمک میگیرد.
شکل 2:
پلتفرم ارزیابی حرکت نیز از یک ماژول گیرنده بیسیم، الگوریتم پردازش سیگنال، الگوریتم استخراج حرکت و الگوریتم دسته بندی و تشخیص حرکت استفاده میکند. هنگامی که دستکش پوشیده شده و انگشتان خم میشوند، حسگر انحنای POF دی شکل در مفصل انگشت تغییرشکل داده و نور از POF عبور میکند و با این حال، باعث تغییر سیگنال نوری میشود. هر واحد دریافت سیگنال روی دستکش دادههای مربوط به خم شدن انگشت را جمع آوری کرده و به صورت بیسیم به کامپیوتر ارسال میکند. دادههای دریافتی توسط کامپیوتر پیش پردازش شده و سپس ویژگیهای حرکت استخراج میشوند. درنهایت، حرکت توسط SVM یا دیگر الگوریتمهای تشخیص و دسته بندی حرکت طبقه بندی و تشخیص داده میشود. در آخر، نتایج به دست آمده به شکل ماتریس سردرگمی در ترمینال کامپیوتر نمایش داده میشوند.
ب. ساختن سیستم استخراج دادههای حرکتی
ابتدا به منظور درک تغییرات سیگنالهای نوری در حالتهای مختلف حرکت، یک حسگر انحنای POF دی شکل با پولیش دادنِ یک POF معمولی (دایره) به شکل D، همانطور که در شکل 2 نشان داده شد، ساخته شد. دو نقطه پولیش خوردۀ حساس POF دی شکل به عنوان نقاط حساس A1 و A2 مشخص میشوند. این دو نقطه حساس به ترتیب به بند انگشت اول و دوم مرتبط هستند، همانطور که در بخش سوم از شکل 2 نشان داده شده است. قطر POF و هسته فیبر مورد استفاده در این آزمایش به ترتیب 1 و 0.7 میلیمتر هستند. به منظور تحقق بخشیدن به سیستم تشخیص حرکت و استخراج پایدار سیگنالهای حرکتی، باتوجه به شکل زیر یک صفحه مدار استخراج سیگنال پنج کانال ادغامی طراحی شده و نمودار شماتیک مدار هسته آن نیز نشان داده شده است.
شکل 3:
دیود ساطع کننده نور (LED) نور قرمز را در طول موج 650 نانومتر ساطع کرده و نرخ اکتساب دادهها برای همه فتودیودها روی 90 هرتز تنظیم شده است.
نتیجه گیری
در این مقاله یک سیستم تشخیص حرکت پوشیدنی مبتنی بر حسگر انحنای POF دی شکل پیشنهاد و بررسی شد. نتایج تجربی حاصل از این بررسی نشان داد که حسگر انحنای POF دی شکل حساسیت بالایی داشت و میتوانست حرکات و خم شدن انگشتان را به خوبی طبقهبندی کند. سیستم اکتساب سیگنال پنج کانال روی یک برد PBC 4.5×8 سانتیمتری قرار گرفته و در دستکش الاستیک جاسازی شد. این کار هم مقرون به صرفه بود و هم به راحتی پوشیده میشد و میتوانست با نصب شدن بر روی دست، سیگنالهای حرکت را در زمان واقعی حس کند. این دستکش 1560 مجموعه داده حرکتی، 1320 مجموعه داده خم شدن انگشت و مجموعه ترکیبی از 1560 داده حرکتی و 1320 داده خمشی را به کلاسیفایر SVM مبتنی بر تابع هسته گاوسی وارد میکرد و مدل نهایی را با اعتبارسنجی متقابل شناسایی و آزمایش میکرد. همچنین، مجموعه دادههای مختلط از 1560 داده حرکتی و 1320 داده خمشی مفصل به مدل طبقه بندی FNN نیز وارد شدند. نتایج تجربی به دست آمده از این مطالعه نشان داد که دقت تشخیص 13 حرکت مبتنی بر تابع هسته گاوسی در مدل طبقه بندی SVM حدود 99.8 درصد بود. بنابراین، سیستم تشخیص حرکت پوشیدنی مبتنی بر حسگر انحنای POF دی شکل ارائه شده در این مقاله میتواند حرکتهای مختلف و خم شدن انگشت را در راستای توسعه تعامل انسان و رایانه با حساسیت و دقت بالا تشخیص دهد.