Вестник КРАУНЦ.Физ.-мат. науки. 2021. Т. 37. №4. C. 119-130. ISSN 2079-6641
Содержание выпуска/Contents of this issue
УДК 519.2
Научная статья
Модель оценки величины приложенного давления на основе анализа сигналов тактильного сенсора с применением методов машинного обучения
П. С. Козырь, Р. Н. Яковлев
Федеральное государственное бюджетное учреждение науки «Санкт Петербургский Федеральный исследовательский центр Российской академии наук» (СПб ФИЦ РАН), Санкт-Петербургский институт информатики и автоматизации Российской академии наук, 14 линия д. 39, г. Санкт-Петербург, 199178, Россия.
E-mail: polinatrump@mail.ru
В рамках настоящего исследования был проведен анализ существующих работ, посвященных интерпретации показаний тактильных сенсорных устройств, по результатам которого была предложена модель машинного обучения, позволяющая осуществлять оценку величины приложенного давления к поверхности тактильного сенсора давления емкостного типа. В качестве опорных моделей обработки и интерпретации сигналов данного устройства в работе рассматривались несколько методов машинного обучения: линейная регрессия, полиномиальная регрессия, регрессия дерева решений, частичная регрессия наименьших квадратов и полносвязная нейронная сеть прямого распространения. Обучение опорных моделей и апробация конечного решения проводилась на авторском наборе данных, включающем в себя более 3000 экземпляров данных. Согласно полученным результатам, наилучшее качество определения величины приложенного давления продемонстрирован решением на основе полносвязной нейронной сети прямого распространения. Коэффициент детерминации и средний модуль отклонения для данного решения на тестовой выборке составили 0,93 и 13,14 кПа соответственно.
Ключевые слова: емкостной сенсор давления, оценка величины давления, регрессионные модели, kNN, полносвязная нейронная сеть прямого распространения.
DOI: 10.26117/2079-6641-2021-37-4-119-130
Поступила в редакцию: 16.11.2021
В окончательном варианте: 14.12.2021
Для цитирования. Козырь П. С., Яковлев Р. Н. Модель оценки величины приложенного давления на основе анализа сигналов тактильного сенсора с применением методов машинного обучения // Вестник КРАУНЦ. Физ.-мат. науки. 2021. Т. 37. № 4. C. 119-130. DOI: 10.26117/2079-6641-2021-37-4-119-130
Конкурирующие интересы. Авторы заявляют, что конфликтов интересов в отношении авторства и публикации нет.
Авторский вклад и ответсвенность. Все авторы участвовали в написании статьи и полностью несут ответственность за предоставление окончательной версии статьи в печать. Окончательная версия рукописи была одобрена всеми авторами.
Контент публикуется на условиях лицензии Creative Commons Attribution 4.0 International
(https://creativecommons.org/licenses/by/4.0/deed.ru)
© Козырь П. С., Яковлев Р. Н., 2021
MSC 60J80
Research Article
A model for estimating the value of the applied pressure based on the analysis of tactile sensor signals using machine learning methods
P. S. Kozyr, R. N. Iakovlev
St. Petersburg Federal Research Center of the Russian Academy of Sciences (SPC RAS), St. Petersburg Institute for Informatics and Automation of the Russian Academy of Sciences, 39, 14th Line, 199178, St. Petersburg, Russia.
E-mail: polinatrump@mail.ru
Currently, in the field of developing sensing systems for robotic means, one of the urgent tasks is the problem of interpreting the data of tactile pressure and proximity sensors. As a rule, the solution to this problem is complicated both by the dependence of the indicators of tactile sensors on the type of object’s material and by the design features of each individual device. In this study, an analysis of existing works devoted to the interpretation of the readings of tactile sensor devices was carried out. According to the analysis results a machine learning model was proposed that allows estimating the amount of pressure applied to the surface of a tactile pressure sensor of a capacitive type. The architecture of the proposed model includes two key blocks of data analysis, the first one is aimed at recognizing the type of interaction object’s material and the second is devoted to the direct assessment of the magnitude of the pressure applied to the sensor. Several machine learning methods were considered as supporting models for processing and interpreting the signals of this device: linear regression, polynomial regression, decision tree regression, partial least squares regression and a fully connected feedforward neural network.
Key words: capacitive pressure sensor, pressure value estimation.
DOI: 10.26117/2079-6641-2021-37-4-119-130
Original article submitted: 16.11.2021
Revision submitted: 14.12.2021
For citation. Kozyr P. S., Iakovlev R.N A model for estimating the value of the applied pressure based on the analysis of tactile sensor signals using machine learning methods. Vestnik KRAUNC. Fiz.-mat. nauki. 2021, 37: 4, 119-130. DOI: 10.26117/2079-6641-2021-37-4-119-130
Competing interests. The authors declare that there are no conflicts of interest regarding authorship and publication.
Contribution and Responsibility. All authors contributed to this article. Authors are solely responsible for providing the final version of the article in print. The final version of the manuscript was approved by all authors.
The content is published under the terms of the Creative Commons Attribution 4.0 International License (https://creativecommons.org/licenses/by/4.0/deed.ru)
© Kozyr P. S., Iakovlev R. N, 2021
Список литературы/References
- Chi, C., Sun, X., Xue, N., Li, T., Liu, C.Recent Progress in Technologies for Tactile Sensors // Sensors, 2018. vol. 18, no. 4, pp. 948.
- Park, M., Bok, B.-G., Ahn, J.-H., Kim, M.-S.Recent Advances in Tactile Sensing Technology // Micromachines, 2018. vol. 9, no. 7, pp. 321.
- Zou, L., Ge, C., Wang, Z., Cretu, E., Li, X.Novel Tactile Sensor Technology and Smart Tactile Sensing Systems: A Review // Sensors, 2017. vol. 17, no. 11, pp. 2653.
- Heng, W., Pang, G., Xu, F., Huang, X., Pang, Z., Yang, G. Flexible Insole Sensors with Stably Connected Electrodes for Gait Phase Detection // Sensors, 2019. vol. 19, no. 23, pp. 5197.
- Krestovnikov K., Cherskikh E., Zimuld-inov E. Combined Capacitive Pressure and Proximity Sensor for Using in Robotic Systems // Proceedings of 15th International Conference on Electromechanics and Robotics “Zavalishin’s Readings”, 2021, pp. 513-522.
- Ерашов А.А., Крестовников К.Д., Быков А.Н. Разработка схемотехнического решения и конструкции емкостной матрицы датчиков давления для применения в робототехнике // Робототехника и техническая кибернетика, 2020. Т. 4. [Yerashov A. A., Krestovnikov K. D., Bykov A. N. Razrabotka skhemotekhnicheskogo resheniya i konstruktsii yemkostnoy matritsy datchikov davleniya dlya primeneniya v robototekhnike // Robototekhnika i tekhnicheskaya kibernetika, 2020. vol. 4 (In Russian)].
- Fragkiadakis, E., Dalakleidi, K. V., Ni-kita, K. S.Design and Development of a Sitting Posture Recognition System // 41st Annual International Conference of the IEEE Engineering in Medicine and Biology Society, 2019.
- Roh, J., Park, H., Lee, K., Hyeong, J., Kim, S., Lee, B. Sitting Posture Monitoring System Based on a Low-Cost Load Cell Using Machine Learning // Sensors, 2018. vol. 18, no. 2, pp. 208.
- Lee, G., Park, J., Byun, J., Yang, J. C., Kwon, S. Y., Kim, C., Jang, C., Sim J.Y., Yook J. G., Park, S. Parallel Signal Processing of a Wireless Pressure-Sensing Platform Combined with Machine-Learning-Based Cognition, Inspired by the Human Somatosensory System // Advanced Materials, 2019, pp. 1906269.
- Matijevich E. S., Volgyesi P., Zelik K. E. APromising Wearable Solution for the Practical and Accurate Monitoring of Low Back Loading in Manual Material Handling // Sensors, 2021. vol. 21, no. 2, pp. 340.
- Jiang, Y., Deng, S., Sun, H., Qi, Y.Unconstrained monitoring method for heartbeat signals measurement using pressure sensors array // Sensors, 2019. vol. 19, no. 2, pp. 368.
- Jung, M., Vishwanath, S. K., Kim, J., Ko, D.-K., Park, M.-J., Lim, S.-C., Jeon, S. Transparent and Flexible Mayan-Pyramid-based Pressure Sensor using Facile-Transferred Indium tin Oxide for Bimodal Sensor Applications // Scientific Reports, 2019. vol. 9, no. 1.
- Yao, H., Yang, W., Cheng, W., Tan, Y. J., See, H. H., Li, S., Ali H.P.A., Lim B. Z.H., Liu Z., Tee, B. C. K.Near–hysteresis-free soft tactile electronic skins for wearables and reliable machine learning // Proceedings of the National Academy of Sciences, 2020. vol. 117, no. 41, pp. 202010989.
- Весы DL-3102, Режим доступа http://dl.demcom.ru/dl3102.html (дата обращения – 20.03.2021). [ Vesy DL-3102, Rezhim dostupa http://dl.demcom.ru/dl3102.html (data obrashcheniya – 20.03.2021) (In Russian)].
- Bolstad W.M., Curran J.M. Introduction to Bayesian statistics: John Wiley & Sons, 2016.
- Smith C., Koning M. Decision Trees and Random Forests: A Visual Introduction for Beginners: Independently published, 2017.
- Mirjalili S., Faris H., Aljarah I. Evolutionary Machine Learning Techniques: Springer, 2019.
- Montgomery D., Peck E., Vining G. Introduction to Linear Regression Analysis, 2012.
- Rokach L. Data Mining with Decision Trees, 2014.
- Garson D. Partial Least Squares: Regression and Structural Equation Models, 2016.
- Goodfellow I, Bengio Y, Courville A. Deep Learning, 2018.
Козырь Полина Сергеевна – программист, Федеральное государственное бюджетное учреждение науки «Санкт-Петербургский Федеральный исследовательский центр Российской академии наук», Санкт-Петербургский институт информатики и автоматизации Российской академии наук, г. Санкт-Петербург, Россия, ORCID: 0000-0001-8563-0033.
Kozyr Polina Sergeevna – programmer, St. Petersburg Federal Research Center of the Russian Academy of Sciences, St. Petersburg Institute for Informatics and Automation of the Russian Academy of Sciences, St. Petersburg, Russia, ORCID: 0000-0001-8563-0033.
Яковлев Роман Никитич – младший научный сотрудник, Федеральное государственное бюджетное учреждение науки «Санкт-Петербургский Федеральный исследовательский центр Российской академии наук» (СПб ФИЦ РАН), Санкт-
Петербургский институт информатики и автоматизации Российской академии наук, г. Санкт-Петербург, Россия, ORCID: 0000-0002-6721-9707.
Iakovlev Roman Nikitich – junior Researcher, St. Petersburg Federal Research Center of the Russian Academy of Sciences (SPC RAS), St. Petersburg Institute for Informatics and Automation of the Russian Academy of Sciences, St. Petersburg, Russia, ORCID: 0000-0002-6721-9707.