تشخیص خستگی عضلانی با استفاده از شبکه های عصبی مصنوعی

خستگی به عنوان یک علامت مزمن در برخی از اختلالات نظیر MS، پارکینسون و بیماری های اسکلتی - عضلانی ظهور می یابد و از آن جا که مسأله ای پیچیده برای پزشکان به شمار می آید، تعیین دقیق سطوح آن، امری ضروری تلقی می شود. در این مقاله از سیگنال های الکترومایوگرافی سطحی (SEMG) به عنوان یک روش غیر تهاجمی برای تشخیص خستگی عضلانی استفاده می شود که پس از کمی سازی این سیگنال، 11 ویژگی در حوزه ی زمان، فرکانس و زمان- فرکانس استخراج شده است. در این مقاله سعی شده است، ضمن مقایسه ی دو روش هوشمند شبکه ی عصبی برای تشخیص خستگی عضلانی، مناسب ترین روش انتخاب گردد. نتایج نشان می دهند که در مرحله آزمایش، صحت طبقه بندی در تشخیص خستگی عضلانی با استفاده از شبکه های عصبی RBF و MLP به ترتیب 87/1% و 96/3% می باشد. از این رو استفاده از شبکه های عصبی MLP، از نظر صحت عملکرد و سرعت اجرا، به ویژه زمانی که تعداد داده ها افزایش می یابد، گزینه ای مناسب به شمار می رود.

کلیدواژه ها:

الکترومایوگرافی سطحی (SEMG) ، پرسپترون چند لایه (MLP) ، تابع شعاع مدار (RBF) ، خستگی عضلانی ، صبقه بندی