Fusion de données RFID et EMG pour la reconnaissance auto-supervisée d’intentions de gestes en temps réel par apprentissage profond

Au cours des dernières années, la recherche en reconnaissance gestuelle a connu une forte effervescence, principalement appuyée sur la démocratisation de l’intelligence artificielle. Cependant, les approches actuelles rencontrent souvent des défis en termes de robustesse et demandent un grand effort de calibration. Pour remédier à ces limitations, ce projet propose d’employer la fusion de signaux d’électromyographie (EMG) et les données d’identification par radiofréquence (RFID) comme fondation pour entraîner des réseaux profonds de reconnaissance de gestes. En intégrant les signaux EMG, qui capturent l’activité musculaire, et les données RFID, qui fournissent un contexte environnemental, le système est en mesure de contextualiser les signaux d’activité musculaire afin de mieux détecter les intentions de gestes de l’utilisateur. Cette fusion améliore non seulement la robustesse des systèmes de reconnaissance gestuelle, mais réduit également le fardeau de calibration manuelle, le rendant ainsi plus convivial et adaptable à différents environnements. En fin de compte, notre approche vise à ouvrir la voie à des interactions homme-machine plus intuitives et efficaces, avec des applications potentielles dans les soins de santé, les jeux et la robotique.

Faculty Supervisor:

Benoit Gosselin

Student:

Partner:

University of Oslo

Discipline:

Engineering

Sector:

Artificial Intelligence; Health and Related Sciences & Technology; Technology

University:

Université Laval

Program: