نوع مقاله: مقاله کامل پژوهشی

نویسندگان

1 استادیار، گروه مهندسی پزشکی، دانشکده فنی و مهندسی، دانشگاه میبد، میبد، ایران

2 مربی، گروه مهندسی پزشکی، دانشکده فنی و مهندسی، دانشگاه میبد، میبد، ایران

3 دانشجوی دکترا مهندسی پزشکی، گروه مهندسی پزشکی، دپارتمان مهندسی برق و کامپیوتر، دانشگاه نورث داکوتا، گرندفورکس، آمریکا

4 استاد تمام، گروه مهندسی پزشکی، دانشکده فنی و مهندسی، دانشگاه حکیم سبزواری، سبزوار، ایران.

10.22041/ijbme.2020.123570.1580

چکیده

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

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Hand gesture and movement recognition based on electromyogram signals using novel soft ensembling feature selection and optimized classifier

نویسندگان [English]

  • Khosro Rezaee 1
  • Fardin Ghaderi 2
  • Hamed Taheri Gorji 3
  • javad haddadnia 4

1 Assistant Professor, Biomedical Engineering Group, Department of Engineering, Meybod University, Meybod, Iran

2 Instructor, Biomedical Engineering Group, Department of Engineering, Meybod University, Meybod, Iran

3 PhD Student, School of Electrical Engineering and Computer Science, University of North Dakota Grand Forks, ND 58202 USA

4 Professor, Biomedical Engineering Group, Department of Engineering, Hakim Sabzevari University, Sabzevar, Iran.

چکیده [English]

In modern prostheses, accurate processing of surface electromyogram (sEMG) signals has a significant effect on optimal muscle control. Although these signals are useful for diagnosing neuromuscular diseases, controlling prosthetic devices and detecting hand movements, non-robustness of EMG signal-based recognition will give rise to various movement disorders. In this paper, we present an optimal approach to classify EMG signals for hand gesture and movement recognition, whose purpose is to be used as an efficient method of diagnosing neuromuscular diseases, determining the type of treatment, and physiotherapy. The main assumption of this study is to improve the accuracy of recognition and therefore, we proposed a novel hand gesture and movement recognition model consists of three steps: (1) EMG signal features extraction based on time-frequency domain and fractal dimension features; (2) feature selection by soft ensembling of three procedures in which includes two sample T-tests, entropy, and common wrapper feature reduction, and (3) classification based on kernel parameters optimization of SVM classifier by using Gases Brownian Motion Optimization (GBMO) algorithm. Two UC2018 DualMyo and UCI datasets have been considered to evaluate the proposed model. The first dataset is used to classify eight hand gestures and the second dataset is employed for the classification of six types of movement. The experiment results and statistical tests reveal that the designed approach has desirable performance with an average accuracy of above 98% in both datasets. Contrary to similar methods that perform classifications in finite classes with high error rates, the integrated method has satisfactory accuracy, robustness, and reliability. Not only will the proposed method contribute to the design of prostheses, but also provide effective outcomes for rehabilitation applications and clinical diagnosis processes.

کلیدواژه‌ها [English]

  • Electromyogram
  • Hand gesture
  • Hand movement
  • fractal dimension
  • Soft ensembling
  • Optimal classifier