بازشناسی ژست و حالات حرکتی دست در سیگنال های الکترومیوگرام با استفاده از روش جدید هم جوشی نرم در انتخاب ویژگی و طبقه بندی کننده بهینه

Abstract

در پروتزهای مدرن، طبقه بندی سیگنال های الکترومایوگرام سطحی (sEMG) تا حد زیادی بر کنترل مطلوب عضلات اثر دارد. گرچه این سیگنالها در تشخیص بیماریهای عصبی-عضلانی، کنترل دستگاه‌های پروتز و تشخیص حالات دست مفید هستند، با این حال بازشناسی غیر-مقاوم آنها، می تواند سبب بروز عارضه های مختلف حرکتی شود. در این مقاله با هدف ایجاد رویکردی بهینه در طبقه بندی سیگنال های الکترومایوگرام سطحی در تشخیص نوع حرکت و نیز شناسایی ژست دست، مدلی جدید طراحی شده که می تواند در تشخیص بیماری های عصبی-عضلانی، تعیین نوع درمان و فیزیوتراپی مورد استفاده قرار گیرد. با در نظر گرفتن چالش های موجود در شناسایی کلاسهای حرکتی دست، شیوه پیشنهادی از سه گام تشکیل شده است که در ابتدا با قاب بندی و استخراج ویژگی از سیگنال توسط توصیفگرهای حوزه زمان-فرکانس و بُعد فراکتال آغاز می شود. در مرحله دوم با استفاده از یک روش جدید همجوشی نرم سه رویکرد آزمون-T، آنتروپی و پیچش عام، انتخاب ویژگی انجام می شود. در گام سوم طبقه بندی حالات حرکتی و ژست دست با تکیه بر بهینه سازی پارامترهای کرنل ماشین بردار پشتیبان توسط الگوریتم حرکت کاتوره ای گاز انجام می پذیرد. دو مجموعه داده UC2018 DualMyo و UCI جهت ارزیابی روش پیشنهادی مدنظر قرار گرفته‌اند که داده نخست به منظور دسته بندی 8 ژست حرکتی و داده دوم در طبقه بندی 6 نوع حالت حرکت کاربرد دارند. راهکار پیشنهادی با میانگین بالاتر از 98 درصد در هر دو مجموعه داده نشان از عملکرد رضایت بخش الگوریتم دارد. برخلاف رویکردهای مشابه که طبقه بندی را در طبقه‌های محدود و همراه با سطح خطای بالایی اجرا می کنند، مدل طراحی شده از دقت، ثبات و اعتمادپذیری قابل قبولی برخوردار است. نه تنها بکارگیری روش طراحی شده در پروتزهای دست موثر خواهد بود، بلکه می تواند در کاربردهای توان‌بخشی و فرایندهای تشخیص بالینی مطلوب واقع شود