www.uhasselt.be
DSpace

Document Server@UHasselt >
Education >
Faculty of Engineering Technology >
Master theses >

Please use this identifier to cite or link to this item: http://hdl.handle.net/1942/24575

Title: Toepassen van machine learning algoritmes op embedded systemen
Authors: Goyens, Nick
Advisors: THOELEN, Ronald
CLAES, Vincent
LEMMENS, Marijn
Issue Date: 2017
Publisher: UHasselt
Abstract: De Biomedical Device Engineering groep aan het IMO-IMOMEC doet onderzoek naar de ontwikkeling van sensoren binnen de gezondheidszorg. Deze onderzoeksgroep zoekt naar een oplossing om het genezingsproces van wonden beter op te volgen met behulp van biosensoren. Deze masterproef onderzoekt de ontwikkeling van machine learning algoritmes voor de verwerking van de sensordata. Deze machine learning algoritmes worden specifiek toegepast op embedded systemen om verschillende soorten data in real-time met hoge nauwkeurigheid te verwerken. Om de mogelijkheden van machine learning op embedded systemen te vergelijken worden er modellen getraind op basis van verschillende soorten datasets. Deze datasets omvatten onder andere impedantiemetingen op voeding en vloeistoffen. De data wordt verwerkt met classificatie en regressie algoritmes op twee verschillende embedded systemen, namelijk de Raspberry Pi 2 en de Intel Curie module. De soorten machine learning modellen die hierop worden toegepast zijn k-nearest neighbors, artificiële neurale netwerken en support vector regressie. De nauwkeurigheid van de machine learning modellen varieert tussen 90 en 100%, afhankelijk van het gebruikte algoritme en de toegepaste dataset. De snelheid van de trainingsfase varieert tussen 0,74 en 107 seconden. Ten slotte wordt er op basis van de resultaten, betreffende nauwkeurigheid, snelheid en eenvoud van implementatie, een aanbeveling gemaakt afhankelijk van de toepassing.
Notes: master in de industriële wetenschappen: elektronica-ICT
URI: http://hdl.handle.net/1942/24575
Category: T2
Type: Theses and Dissertations
Appears in Collections: Master theses

Files in This Item:

Description SizeFormat
N/A2.12 MBAdobe PDF
N/A875.46 kBAdobe PDF

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.