بازشناسی ژست ها و حالت های حرکتی دست در سیگنال های الکترومایوگرام با استفاده از روش هم جوشی نرم در انتخاب ویژگی و طبقه بندی کننده ی بهینه

در پروتزهای مدرن، طبقه­بندی سیگنال­های الکترومایوگرام سطحی (sEMG) تا حد زیادی بر کنترل مطلوب عضلات اثر دارد. اگر چه این سیگنال­ها در تشخیص بیماری­های عصبی-عضلانی، کنترل دستگاه های پروتز و تشخیص حالات دست مفید هستند، بازشناسی غیرمقاوم آن ها می­تواند باعث بروز عارضه­های مختلف حرکتی شود. در این مقاله با هدف ایجاد رویکردی بهینه در طبقه­بندی سیگنال­های الکترومایوگرام سطحی در تشخیص نوع حرکت و نیز شناسایی ژست دست، مدلی جدید طراحی شده است که می­تواند در تشخیص بیماری­های عصبی-عضلانی، تعیین نوع درمان و فیزیوتراپی مورد استفاده قرار گیرد. با در نظر گرفتن چالش­های موجود در شناسایی کلاس­های حرکتی دست، روش پیشنهادی از سه گام تشکیل شده است. در گام اول قاب­بندی و استخراج ویژگی از سیگنال توسط توصیف گرهای حوزه ی زمان-فرکانس و بعد فراکتال انجام شده، در مرحله ی دوم انتخاب ویژگی­ با استفاده از یک روش جدید هم­جوشی نرم سه رویکرد آزمون-T، آنتروپی و پیچش عام صورت گرفته و در گام سوم طبقه­بندی حالات حرکتی و ژست دست با تکیه بر بهینه­سازی پارامترهای کرنل ماشین بردار پشتیبان توسط الگوریتم حرکت کاتوره­ای گاز انجام شده است. دو مجموعه ی داده ی UC۲۰۱۸ DualMyo و UCI جهت ارزیابی روش پیشنهادی در نظر گرفته شده که از داده ی نخست برای دسته­بندی ۸ ژست حرکتی و از داده ی دوم برای طبقه­بندی ۶ نوع حالت حرکت استفاده شده است. عمل کرد راه کار پیشنهادی با میانگین صحت بالای ۹۸% در هر دو مجموعه ی داده رضایت­بخش می باشد. برخلاف رویکردهای مشابه که در آن ها طبقه بندی در تعداد طبقه­های محدود و با سطح خطای بالا اجرا شده، روش پیشنهادی از دقت، ثبات و اعتمادپذیری قابل قبولی برخوردار است. به کارگیری این روش در طراحی پروتزهای دست موثر بوده و می تواند در کاربردهای توان­بخشی و فرایندهای تشخیص بالینی نیز تاثیرگذار باشد.

کلیدواژه ها:

سیگنال الکترومایوگرام ، ژست دست ، حالت حرکتی ، بعد فراکتال ، هم جوشی نرم ، طبقه بندی بهینه