کمی سازی سیگنالهای SEMG به منظور پیشگویی خودکار خستگی عضلانی با استفاده ازشبکه های عصبی مصنوعی

خستگی به عنوان یک علامت مزمن دربرخی ازاختلالات نظیر MS پارکینسون و بیماریهای اسکلتی عضلانی ظهور می یابد و از آن جا که پدیده ای چندبعدی و ذهنی است تعیین دقیق سطوح آن امری ضروری است هدف ازاین مقاله مقایسه عملکرد دو روش هوشمند شبکه عصبی برای تشخیص خودکارخستگی عضلانی و انتخاب مناسب ترین روش می باشد برای این منظور سیگنالهای EMG سطحی از عضلات استرنوکلیدوماستوئید 9 سوژه ی زن سالم حین تست استقامت فلکشن گردن ثبت شده اند سپس 11 ویژگی درحوزه زمان فرکانس و زمان - فرکانس از این سیگنالها استخراج شده است نتایج نشان داده اند که درمرحله آزمایش صحت دسته بندی به دو کلاس خسته و غیرخسته با استفاده از شبکه های عصبی MLP 1 RBF به ترتیب 87/1درصد و 96/3درصد می باشد از این رو استفاده از شبکه عصبی MLP ازنظر صحت عملکرد و سرعت اجرا به ویژه زمانی که تعدادداده ها افزایش می یابد گزینه ای مناسب نسبت به شبکه RBF به شمار می رود.

کلیدواژه ها:

الکترومایوگرافی سطحی SEMG ، پرسپترون چندلایه MLP ، تابع شعاع مدارRBF ، خستگی عضلانی ، طبقه بندی