نوع مقاله : مقاله کامل پژوهشی
نویسندگان
1 استادیار گروه علوم رفتاری مغز، دانشگاه بیرمنگام
2 استاد دانشکده مهندسی برق و کامپیوتر، دانشگاه تربیت مدرس
3 دانشیار گروه فیزیک پزشکی، دانشکده پزشکی، دانشگاه تربیت مدرس
چکیده
در این مقاله یک روش کارآمد برای طبقه بندی سیگنال الکترومایوگرام سطحی را با استفاده از آمارگان مرتبه بالا ارایه می دهیم. چون تابع توزیع احتمال سیگنال الکترومایوگرام سطحی که در شرایط انقباض عضلانی ایزومتریک ثبت می گردد در بعضی موارد به توزیع گوسی بسیار نزدیک است، در بسیاری از تحقیقات گذشته این تابع توزیع گوسی فرض گردیده است. چون این فرض برای دامنه های کوچک نیرو نادرست است، در این مقاله برای استخراج ویژگی، با توجه به ماهیت غیرگوسی سیگنال الکترومایوگرام، آمارگان مرتبه های دوم، سوم، و چهارم برای این سیگنال در تاخیرهای متفاوت محاسبه و از این ویژگی ها در شناسایی الگوهای چهار حرکت ابتدایی باز و بسته کردن آرنج و چرخش به سمت داخل و خارج ساعد استفاده شده اند. از روش انتخاب ترتیبی مستقیم برای کاهش تعداد ویژگی های آمارگان مرتبه بالا استفاده کرده و طبقه بندی کننده K نزدیکترین همسایه برای دسته بندی آنها به کار گرفته شد. روش پیشنهادی در برابر تغییرات آماری نویز مقاوم بوده و در مقایسه با سایر روش های موجود، نیاز به محاسبات بیشتری برای حصول به نرخ بالا برای طبقه بندی ندارد. این امر، استفاده از روش پیشنهادی را در پروتزهایی که با سیگنال الکترومایوگرام سطحی به صورت بی درنگ کنترل می شوند امکان پذیر می سازد.
کلیدواژهها
- سیگنال الکترومایوگرام سطحی
- انقباض ایزومتریک
- آمارگان مرتبه بالا
- طبقه بندی کننده K نزدیکترین همسایه
- انتخاب ترتیبی مستقیم
موضوعات
عنوان مقاله [English]
Surface Electromyogram Signal Classification Using Higher Order Statistics
نویسندگان [English]
- Kianoush Nazarpour 1
- Ahmad Reza Sharafat 2
- Seyed Mohammad Firouzabadi 3
1 Assistant Professor, Brain Behavioral Science Group, University of Birmingham
2 Professor, School of Electrical and Computer Engineering Tarbiat Modares University
3 Associate Professor, Biophysics Group, School of Medicine, Tarbiat Modares University
چکیده [English]
A novel approach to surface electromyogram (sEMG) signal classification using its higher order statistics (HOS) is presented in this study. As the probability density function of the sEMG during isometric contraction in some cases is very close to the Gaussian distribution, it is frequently assumed to be Gaussian. As this assumption is not valid when the force is small, in this paper, we consider the non-Gaussian characteristics of the sEMG, and compute the second-, the third- and the fourth order statistics of the sEMG as its features. These features are used to classify four upper limb primitive motions, i.e., elbow flexion (EF), elbow extension (EE), forearm supination (FS), and forearm pronation (FP). We used the sequential forward selection (SFS) method to reduce the number of HOS features to a sufficient minimum while retaining their discriminatory information, and apply the Knearest neighbor method for classification. Our approach is robust against statistical variations in noise, and does not require additional computations compared to existing methods for providing high rates of correct classification of the sEMG, which makes it useful in devising real-time sEMG controlled prostheses.
کلیدواژهها [English]
- Surface Electromyogram Signal
- Isometric Contraction
- Higher Order Statistics
- K-Nearest Neighbor
- Sequential Forward Selection