نوع مقاله : مقاله کامل پژوهشی

نویسندگان

• خسرو رضایی ¹
• فردین قادری ²
• حامد طاهری گرجی ³
• جواد حدادنیا ⁴

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

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

³ دانشجوی دکتری مهندسی پزشکی، دانشکده‌ی مهندسی برق و کامپیوتر، دانشگاه نورث داکوتا، گرندفورکس، آمریکا

⁴ استاد، گروه مهندسی پزشکی، دانشکده‌ی فنی و مهندسی، دانشگاه حکیم سبزواری، سبزوار، ایران

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 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. 

کلیدواژه‌ها

• سیگنال الکترومایوگرام
• ژست دست
• حالت حرکتی
• بعد فراکتال
• هم‌جوشی نرم
• طبقه‌بندی بهینه

عنوان مقاله [English]

Hand Gesture and Movement Recognition based on Electromyogram Signals using 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 Ph.D. 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 the proposed method contributes to the design of prostheses, but also provides effective outcomes for rehabilitation applications and clinical diagnosis processes. 

کلیدواژه‌ها [English]

• Electromyogram
• Hand Gesture
• Hand Movement
• Fractal Dimension
• Soft Ensembling
• Optimal Classifier