تشخیص حرکات مچ دست از روی سیگنال الکترومایوگرام با استفاده از شبکه عصبی کانولوشنال

Abstract

زمینه و هدف: با پیشرفت یادگیری عمیق (Deep learning)، انقلاب بزرگی در هوش مصنوعی ایجاد شده که بسیاری از رشته‌ها را به‌شدت تحت تاثیر خود قرار داده است. یادگیری عمیق، پردازش داده‌های خام با ابعاد بالا (مانند سیگنال یا تصویر) را بدون نیاز به مهندسی ویژگی (Feature engineering)، امکان‌پذیر می‌کند. هدف از این پژوهش، توسعه یک سیستم بر پایه یادگیری عمیق، برای تخمین اراده حرکتی از روی سیگنال EMG می‌باشد. روش بررسی: در این مطالعه، یک سیستم مایوالکتریک (Myoelectric) بر پایه شبکه عصبی کانولوشنال (CNN) (که یک مدل یادگیری عمیق است)، به‌عنوان جایگزینی برای روش‌های معمول طبقه‌بندی (Classification) که نیازمند به مهندسی ویژگی هستند، معرفی شده است. این سیستم برای حرکات انفرادی و ترکیبی مچ دست، بر روی ده شخص سالم، مورد ارزیابی قرار گرفته شد. عملکرد روش پیشنهادی، با یک سیستم استاندارد برپایه Support vector machine (SVM) که از ویژگی‌های حوزه زمانی (Time domain, TD) استفاده می‌کند، مقایسه گردید. یافته‌ها: باوجود عملکرد ثابت شده و رواج بسیار بالای ویژگی‌های TD، سیستم پیشنهادی به‌دقت طبقه‌بندی مشابهی (۰/۱۹P=) دست یافت. مزیت سیستم پیشنهادی در این است که نیازی به استخراج دستی و مهندسی ویژگی از سیگنال EMG وجود ندارد و CNN به‌صورت خودکار، ویژگی‌های مورد نیاز را فراگرفته و از سیگنال استخراج می‌کند. نتیجه‌گیری: این یافته‌ها، توانایی بالای CNN، برای یادگیری و استخراج اطلاعات غنی و پیچیده از سیگنال‌های بیولوژیک را نشان می‌دهد. CNN می‌تواند اطلاعات زمانی و فرکانسی مورد نیاز برای تخمین اراده حرکتی را از روی سیگنال EMG فرا بگیرد.