طبقه بندی حالات منتخب صورت از طریق سیگنال الکترومایوگرافی تک کاناله به وسیله شبکه عصبی مصنوعی و حافظه طولانی کوتاه مدت

دراین مطالعه، به جهت بررسی حالات مختلف صورت از الکترومایوگرافی تک کاناله استفاده شده است. داده های الکترومایوگرافی عضلات صورت نشات گرفته از پتانسیل الکتریکی اجرای حالات مختلف صورت است که به ازای حالات مختلف می تواند مقادیر متفاوتی را داشته باشد. در این مطالعه، شش نفر شرکت کننده زن با میانگین سنی ۲۵ سال (انحراف معیار: ۵ سال) و شاخص توده بدنی (BMI) ۲۳٫۲ کیلوگرم بر متر مربع (انحراف معیار: ۲ کیلوگرم بر متر مربع) مورد بررسی قرار گرفتند و پس از اعمال فیلتر باترورث مرتبه چهار، داده ها در پنجره های ۱۰ ثانیه ای تقسیم بندی شد و سپس ۱۲ ویژگی در حوزه زمان و فرکانس از آن استخراج گردید. برای کاهش حجم محاسباتی از روش کاهش ویژگی ICA و برای طبقه بندی داده ها از شبکه عصبی مصنوعی و درخت تصمیم استفاده شد. پس از اعمال فیلترها و استخراج ویژگی، داده ها توسط طبقه بندهای پرسپترون چندلایه با صحت ۷۳.۵۷ ۷ درصدی، حافظه طولانی کوتاه مدت با صحت ۹۶.۰۶ درصدی، LSTM-ICAبا صحت ۹۷.۸۳ درصدی و ICA-MLP با صحت ۶۵.۲۰ درصدی مورد طبقه بندی قرار گرفتند .از چالش های این مطالعه می توان به تعداد کم افراد شرکت کننده و تک کاناله بودن اشاره کرد. همچنین در مطالعات آینده می توان داده های عضلات صورت را به صورت ترکیب با سایز سیگنال های حیاتی استفاده کرد

کلیدواژه ها:

الکترومایوگرافی ، حالات صورت ، تشخیص احساس ، LSTM ، شبکه عصبی مصنوعی