طبقه بندی حالات منتخب صورت از طریق سیگنال الکترومایوگرافی تک کاناله به وسیله شبکه عصبی مصنوعی و درخت تصمیم

این مطالعه، به بررسی حالات مختلف صورت از طریق الکترومایوگرافی تک کاناله با حداقل پیچیدگی محاسباتی به منظور استفاده در کاربردهای واقعی به صورت بلادرنگ می پردازد. 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، داده های الکترومایوگرافی از حالت های مختلف عضلات صورت ۶ نفر از شرکت کنندگان زن با میانگین سنی ۵±۲۵ سال ثبت گردید 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 PCA 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 درصدی، درخت تصمیم با صحت ۹۵.۱۶ درصدی، MPL-PCA با صحت ۶۵.۲۰ درصدی و DT-PCA با صحت ۹۶.۳۳درصدی 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 ترکیبی استفاده کرد.

کلیدواژه ها:

حالات صورت ، الکترومایوگرافی ، شبکه عصبی مصنوعی ، درخت تصمیم ، تحلیل مولفه های اساسی