< Terug naar vorige pagina

Project

Generieke Machine Leeralgoritmes voor Real-time Mens-Computer Interactie

Het doel is het bouwen van een generieke classificator voor gebareninteractie sensortoepassingen. Deze toepassingen maken gebruik van gerichte,bewust intentionele interacties die duidelijk afgebakend zijn in tijd en ruimte, voorbeelden hiervan zijn gebaren voor selectie en manipulatie.De classificator moet generiek zijn en kan dus toegepast worden op verschillende typen sensoren en verschillende gebaren. De sensoren die binnen het kader van dit onderzoek worden besproken zijn inertial measurementunits (combinatie van accelerometers, gyroscopen en magnetometers) en aanraakschermen. In een tweede fase zullen ook 3D cameras bestudeerd worden. Een belangrijk criterium voor de classificator is de nauwkeurigheid. Dit zorgt ervoor dat de gebruiker correct geïnterpreteerd wordt en er dus een vlotte interactie mogelijk is. Bovendien moet de gebruiker het gevoel hebben dat de toepassing onmiddellijk reageert, de classificatie moet dus real-time gebeuren.

Om dit generiek model te bouwen wordtgebruik gemaakt van machine learning. Deze technieken zijn nog niet breed toegepast in het domein van mens-computer interactie. Nochtans houdt machine learning zich bezig met het ontwerpen en ontwikkelen van algoritmes die leren om patronen te herkennen en zijn dus geschikt voor het probleem van sensordataherkenning. Het onderzoek zal zich in het bijzonder toeleggen op Support Vector Machines, een classificatietechniek die dataanalyseert en patronen herkent door de data te transformeren naar een kenmerkenruimte en daar het maximale scheidingsvlak te zoeken.

Om de doelen te bereiken worden enkele onderzoeksvragen nader bekeken. Eerst wordt gekeken of het genereren en selecteren van kenmerken uit sensordata, de eerste stap in het ontwerp van een classificator, niet veralgemeend kan worden. De kenmerken moeten dan niet meer per sensortype geselecteerd worden door een expert. Vervolgens wordt nagegaan hoe de classificator kan omgaan met transformatie-invariante kenmerken. Dit zijn gebarenwaarbij de grootte, plaats en hoek niet uitmaakt. Als derde wordt gekeken of het mogelijk is om de tuning van de parameters (bijv. de regularisatieconstante of de kernelfunctie) voor de classificator te automatiseren. Tenslotte wordt onderzocht of de sensor continu kan gemonitord wordenzonder het begin- en eindsignaal te kennen, bijvoorbeeld door gebruik te maken van een glijdend venster.

Datum:7 jan 2013  →  12 feb 2017
Trefwoorden:Machine Learning, Support Vector Machine, Human-Computer Interaction
Disciplines:Toegepaste wiskunde, Computerarchitectuur en -netwerken, Distributed computing, Informatiewetenschappen, Informatiesystemen, Programmeertalen, Scientific computing, Theoretische informatica, Visual computing, Andere informatie- en computerwetenschappen, Controlesystemen, robotica en automatisatie, Ontwerptheorieën en -methoden, Mechatronica en robotica, Computertheorie, Modellering, Biologische systeemtechnologie, Signaalverwerking
Project type:PhD project