ارزیابی طبقه‌بندی کننده‌های LDA و LS-SVM برای تفکیک 52 حرکت و وضعیت دست برای کاربرد در پروتزهای مبتنی بر فعّالیّت الکتریکی عضلات

Abstract

طبقه‌بندی حرکت‌های اعضای دیستال با استفاده­از سیگنال‌های الکترومایوگرام سطحی (sEMG) قسمت پروکسیمال، بخش مهمی در کنترل پروتزهای مایوالکتریک است. در بیش­تر مطالعات قبلی، طبقه‌بندی تعداد محدودی از حرکت‌های دست، مورد بررسی قرار گرفته­است. در این مقاله، از پایگاه داده‌ی NINAPROکه شامل داده‌های کینماتیک و sEMGفرد سالم برای 52 حرکت انگشت، پنجه و مچ دست است استفاده شد. عملکرد طبقه‌بندی کننده‌های LDAو LS-SVMبا کرنل RBF، به ازای ترکیب‌های مختلف ویژگی‌ها بررسی شد. ابتدا با پنجره گذاری به دو شیوه‌ی مختلف، بخش اصلی سیگنال جدا شد و هشت ویژگی زمانی مختلف (MAV، IAV، RMS، WL، E، ER1، ER2، CC) از آن استخراج گردید. سپس، عملکرد هریک از طبقه‌بندی کننده‌ها با هرکدام از این ویژگی‌ها و ترکیب‌های دوتایی و چندتایی آن‌ها بررسی شد. برای طبقه‌بندی کننده‌ی LDA بهترین میانگین دقتِ طبقه‌بندی، با شیوه‌ی پنجره گذاری به روش اول و ترکیب ویژگی‌های MAV (or IAV)+CC، 23_/84 درصد محاسبه شد. این دقت برای طبقه‌بندی کننده‌ی LS-SVMبا شیوه‌ی پنجره گذاری به روش دوم و ویژگی‌های IAV+MAV+RMS+WL، به 19_/85 درصد رسید.