خسرو رضایی؛ فردین قادری؛ حامد طاهری گرجی؛ جواد حدادنیا
دوره 14، شماره 3 ، مهر 1399، ، صفحه 195-208
چکیده
در پروتزهای مدرن، طبقهبندی سیگنالهای الکترومایوگرام سطحی (sEMG) تا حد زیادی بر کنترل مطلوب عضلات اثر دارد. اگر چه این سیگنالها در تشخیص بیماریهای عصبی-عضلانی، کنترل دستگاههای پروتز و تشخیص حالات دست مفید هستند، بازشناسی غیرمقاوم آنها میتواند باعث بروز عارضههای مختلف حرکتی شود. در این مقاله با هدف ایجاد رویکردی بهینه ...
بیشتر
در پروتزهای مدرن، طبقهبندی سیگنالهای الکترومایوگرام سطحی (sEMG) تا حد زیادی بر کنترل مطلوب عضلات اثر دارد. اگر چه این سیگنالها در تشخیص بیماریهای عصبی-عضلانی، کنترل دستگاههای پروتز و تشخیص حالات دست مفید هستند، بازشناسی غیرمقاوم آنها میتواند باعث بروز عارضههای مختلف حرکتی شود. در این مقاله با هدف ایجاد رویکردی بهینه در طبقهبندی سیگنالهای الکترومایوگرام سطحی در تشخیص نوع حرکت و نیز شناسایی ژست دست، مدلی جدید طراحی شده است که میتواند در تشخیص بیماریهای عصبی-عضلانی، تعیین نوع درمان و فیزیوتراپی مورد استفاده قرار گیرد. با در نظر گرفتن چالشهای موجود در شناسایی کلاسهای حرکتی دست، روش پیشنهادی از سه گام تشکیل شده است. در گام اول قاببندی و استخراج ویژگی از سیگنال توسط توصیفگرهای حوزهی زمان-فرکانس و بعد فراکتال انجام شده، در مرحلهی دوم انتخاب ویژگی با استفاده از یک روش جدید همجوشی نرم سه رویکرد آزمون-T، آنتروپی و پیچش عام صورت گرفته و در گام سوم طبقهبندی حالات حرکتی و ژست دست با تکیه بر بهینهسازی پارامترهای کرنل ماشین بردار پشتیبان توسط الگوریتم حرکت کاتورهای گاز انجام شده است. دو مجموعهی دادهی UC2018 DualMyo و UCI جهت ارزیابی روش پیشنهادی در نظر گرفته شده که از دادهی نخست برای دستهبندی 8 ژست حرکتی و از دادهی دوم برای طبقهبندی 6 نوع حالت حرکت استفاده شده است. عملکرد راهکار پیشنهادی با میانگین صحت بالای 98% در هر دو مجموعهی داده رضایتبخش میباشد. برخلاف رویکردهای مشابه که در آنها طبقهبندی در تعداد طبقههای محدود و با سطح خطای بالا اجرا شده، روش پیشنهادی از دقت، ثبات و اعتمادپذیری قابل قبولی برخوردار است. به کارگیری این روش در طراحی پروتزهای دست موثر بوده و میتواند در کاربردهای توانبخشی و فرایندهای تشخیص بالینی نیز تاثیرگذار باشد.
پردازش سیگنالهای حیاتی
محمدحسن مرادی؛ بهادر مکی آبادی
دوره 2، شماره 2 ، شهریور 1387، ، صفحه 141-154
چکیده
طبقه بندی با دقت بالای سیگنال الکترومایوگرام سطحی برای کنترل دست مصنوعی از عناوین مهم تحقیق در حوزه توان بخشی است. به ویژه آنکه با افزایش درجات آزادی، نرخ تشخیص درست بشدت کاهش می یابد. در مقاله حاضر بر اساس یک ساختار خودسازمانده فازی-عصبی جدید پیشنهادی پنج لایه، طبقه بندی سیگنال الکترومایوگرام چند کاناله انجام شده است. در این ساختار ...
بیشتر
طبقه بندی با دقت بالای سیگنال الکترومایوگرام سطحی برای کنترل دست مصنوعی از عناوین مهم تحقیق در حوزه توان بخشی است. به ویژه آنکه با افزایش درجات آزادی، نرخ تشخیص درست بشدت کاهش می یابد. در مقاله حاضر بر اساس یک ساختار خودسازمانده فازی-عصبی جدید پیشنهادی پنج لایه، طبقه بندی سیگنال الکترومایوگرام چند کاناله انجام شده است. در این ساختار متناظر با ویژگی های ورودی، قواعد جدید ایجاد و وزن آنها بر اساس الگوریتم پس انتشار خطا بهبود یافته و از الگوریتم ژنتیک برای تنظیم نهایی استفاده شده است. به دلیل تعداد درجات آزاد بالا در حرکات ناحیه زیر آرنج در مقایسه با ناحیه بالای آن، از شش جفت الکترود برای برداشت سیگنال استفاده شده است. پس از حذف اغتشاش با فیلتر، ویژگی های رایجی چون متوسط قدرمطلق سیگنال، ضرایب کپستروم و ضرایب بسته ویولت هرس شده با آنتروپی به طبقه بندی کننده اعمال شده اند برای تضمین زمان واقعی بودن مرحله تشخیص (کمتر از ms100) و ساده تر شدن طبقه بندی، با استفاده از نگاشت آنالیز مولفه های اساسی، بعد ویژگی ها از 234 به 10 کاهش یافته است. ثبت های مربوط به 6 فرد در دو حالت 6 کلاس و 9 کلاس حرکتی ارزیابی شده و با طبقه بندی کننده ماشین بردار پشتیبان مقایسه شده است. در 9 کلاس صحت متوسط 96.7% به دست آمد که نسبت به ماشین بردار پشتیبان (76%) بهبود قابل توجهی دارد.