تحلیل تاثیر روش بهینه سازی و پارامترهای تنظیم کننده ی شبکه ی عمیق جهت بهبود صحت کلاس بندی حرکات انگشتان دست مبتنی بر سیگنال الکترومایوگرام

حرکات دست و انگشتان در زندگی روزمره نقش مهمی دارد. ممکن است در اثر بیماری و سوانح به این اندام آسیب وارد شود. در توان بخشی انگشتان دست و درمان آسیب­های وارده به آن ها، طبقه بندی حرکات انگشتان دست و شناسایی وضعیت آن ها بسیار حائز اهمیت است. یکی از روش­ها برای ایجاد نگاشت بین سیگنال الکترومایوگرام سطحی و کلاس­های حرکتی انگشتان دست، به کارگیری دانش یادگیری عمیق است. این علم در سال های اخیر باعث پیش رفت­های چشم­گیری در بسیاری از زمینه­ها شده است. در این مطالعه به ­طبقه­بندی و شناسایی ۸ حرکت انگشتان دست بر اساس شبکه­های عصبی عمیق کانولوشنال پرداخته شده است. داده­های مورد نیاز این پژوهش که سیگنال­های الکترومایوگرام سطحی بوده مربوط به پایگاه داده ی نیناپرو است. نتایج نشان می­دهد که دقت طبقه بندی در برخی از حرکات به ۹/۹۸ درصد رسیده است. برخی از تنظیم کننده­ها و بهینه کننده­ها می­توانند بر دقت طبقه­بندی بسیار موثر باشند. با انتخاب صحیح تنظیم کننده­ها از قبیل لایه­ی حذف تصادفی و L۲ دقت طبقه بندی قابل افزایش است.

کلیدواژه ها:

الکترومایوگرام سطحی ، شبکه ی عصبی کانولوشن ، شبکه ی عصبی عمیق ، طبقه بندی ، بهینه کننده ، تنظیم کننده