کمی سازی سیگنالهای SEMG به منظور پیشگویی خودکار خستگی عضلانی با استفاده ازشبکه های عصبی مصنوعی
محل انتشار: پانزدهمین کنفرانس دانشجویی مهندسی برق ایران
سال انتشار: 1391
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 902
فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ISCEE15_576
تاریخ نمایه سازی: 3 آذر 1391
چکیده مقاله:
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:
نویسندگان
افسانه زادنیا
دانشجوی کارشناسی ارشد مهندسی پزشکی بیوالکتریک
سعید راحتی
استادیار دانشگاه آزاد مشهد
فریبا بیوکی
دانشجوی کارشناس ارشد مهندسی پزشکی بیوالکتریک
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :