نوع مقاله: مقاله کامل پژوهشی

نویسندگان

1 دانشیار دانشکده مهندسی پزشکی، آزمایشگاه ابزار دقیق و پردازش سیگنال‌های بیولوژیکی، دانشگاه صنعتی امیرکبیر

2 دانشجوی دکترای مرکز پردازش سیگنال‌های دیجیتال، دانشگاه کاردیف

10.22041/ijbme.2008.13439

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 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.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Classification of Forearm Multichannel Electromyogram Signals by a Self-Organized Neuro-Fuzzy Structure

نویسندگان [English]

  • Mohammad Hasan Moradi 1
  • Bahador Makki Abadi 2

1 Associate Professor, Medical Instrumentation and Biomedical Signal Processing Lab., Biomedical Engineering School, Amirkabir University of Technology

2 PhD Candidate, Centre of Digital Signal Processing, Cardiff University

چکیده [English]

Hish rate classification of Electromyogram (EMG) signals for controlling of prosthetic hands is still a hot topic among the rehabilitation research titles. Specially, when the degree of freedom in artificial hands increases, the classification rate decreases dramatically. In this paper, a new five layer classifier based on Neuro-Fuzzy-Genetic structure was introduced to increase the classification accuracy of EMG signals. The proposed classifier has a self- organized structure, which adaptively creates new rules according to the input features and trains the fuzzy rule weights based on the back propagation method. Finally, the genetic algorithm (GA) was employed for the final tuning stage. In this study, six subjects were asked to perform 9 different movements and their EMG signals were caught during the tasks from the six different forearm muscles. In order to remove the noises, the signals were filtered. Then the integral absolute average (IAV), Cepstrum coefficients and Wavelet Packet Coefficients with entropy pruning were extracted from the filtered signals as features. We used principal components analysis (PCA) for dimensionality reduction (234 to 10). The dimensionality reduction by PCA simplifies the structure of the classifier and reduces the processing time for the pattern recognition. The proposed classifier was applied on the features and the results were led to higher than 96.7% classification rate for the 9 classes of movement. To make a comparison, support vector machine (SVM) was employed (76% classification rate for 9 classes) and the results showed a drastic supremacy of the proposed method. 

کلیدواژه‌ها [English]

  • Electromyogram signal
  • Integral absolute average (IA V)
  • Cepstrum
  • Wavelet packet
  • Entropy pruning
  • Principal components analysis (PCA)
  • Self-organized neuro-fuzzy structure
  • Support Vector Machine (SVM)
  • Genetic algorithm (GA)