تشخیص ناهنجاری های عضلانی با استفاده از سیگنال های الکترومایوگرافی (EMG) و یادگیری عمیق: یک رویکرد جامع

در این مقاله پژوهشی، یک چارچوب نوین و جامع برای تشخیص دقیق ناهنجاری های عضلانی با بهره گیری از تحلیل سیگنال های الکترومایوگرافی توسعه داده شده است. روش پیشنهادی با ترکیب هوشمندانه تکنیک های پیشرفته پردازش سیگنال و الگوریتم های یادگیری عمیق، گامی موثر در جهت بهبود دقت تشخیص بیماری های عصبی-عضلانی برداشته است. هسته اصلی این سیستم بر پایه تبدیل موجک گسسته به عنوان روشی کارآمد برای پیش پردازش سیگنال های الکترومایوگرافی و یک شبکه عصبی کانولوشنی عمیق به عنوان طبقه بندی کننده استوار است. تبدیل موجک گسسته در این پژوهش به دلایل متعددی انتخاب شده است. نخست آنکه این روش قادر است سیگنال های غیرایستای الکترومایوگرافی را با حفظ اطلاعات زمانی-فرکانسی تحلیل کند، برخلاف تبدیل فوریه سنتی که تنها دید فرکانسی ارائه می دهد. ثانیا، امکان تجزیه سیگنال به سطوح مختلف تفکیک فرکانسی، شناسایی الگوهای پاتولوژیک را در باندهای فرکانسی خاص تسهیل می کند. در این تحقیق از موجک مادر با مرتبه چهار به دلیل شباهت شکل موج آن با سیگنال های الکترومایوگرافی استفاده شده است که منجر به استخراج ویژگی های معنادارتری می شود. در بخش طبقه بندی، یک معماری عمیق کانولوشنی طراحی شده که قادر به یادگیری ویژگی های سلسله مراتبی از داده های خام است. این شبکه شامل سه لایه کانولوشن یک بعدی به ترتیب با ۶۴، ۱۲۸ و ۲۵۶ فیلتر است که هر یک به دنبال لایه های مکسپولین و نرمالسازی دسته ای قرار گرفته اند. لایه های تمام متصل نهایی با ۵۱۲ نورون و تابع فعال ساز ، امکان تصمیم گیری غیرخطی پیچیده را فراهم می آورند. برای جلوگیری از بیش برازش، از تکنیک های ترک با نرخ ۰.۵ و تنظیم L۲ استفاده شده است.

کلیدواژه ها:

الکترومایوگرافی ، یادگیری عمیق ، تشخیص ناهنجاری های عضلانی ، هوش مصنوعی در پزشکی