تشخیص نقطه شروع انقباض مبتنی بر الکترومایوگرافی عضلات ساعد با استفاده از یادگیری ماشین و یادگیری عمیق

شناسایی دقیق رویدادهای انقباض عضلانی، نقش مهمی در توسعه فناوری های نوین در حوزه بیوالکتریک ایفا می کند. در این پژوهش، روشی ترکیبی مبتنی بر سیگنال های الکترومایوگرافی سطحی (sEMG) و الگوریتم های یادگیری عمیق، به منظور تشخیص آغاز و پایان انقباضات عضله ساعد ارائه شده است. داده های عضلانی از شش داوطلب سالم، با استفاده از الکترودهای نقره کلرید (Ag/AgCl) و تقویت کننده های سابتل مبتنی بر برد آردوینو، جمع آوری گردید. سیگنال ها پس از انجام مراحل پیش پردازش، شامل فیلترگذاری باترورث و حذف نویز، به پنجره های ۵ ثانیه ای تقسیم شدند. سپس ده ویژگی در حوزه های زمانی و فرکانسی از هر پنجره استخراج گردید. در مرحله بعد، طبقه بندی داده ها با استفاده از سه الگوریتم پرسپترون چندلایه (MLP)، مدل ترکیبی گاوسی (GMM) و شبکه عصبی کانولوشنی (CNN) انجام گرفت. نتایج نشان داد که طبقه بند CNN با دقت (۹۴٫۲۱) درصد عملکرد بهتری نسبت به مدل های GMM (۷۶٫۱۵ درصد) و MLP (۶۸٫۸۱ درصد) داشته است. این یافته ها نشان دهنده ی کارایی بالای روش های مبتنی بر یادگیری عمیق در تشخیص دقیق انقباضات عضلانی هستند. از جمله محدودیت های این مطالعه می توان به حجم نمونه کم و عدم کنترل کامل شرایط فیزیولوژیکی شرکت کنندگان اشاره کرد. بنابراین، پیشنهاد می شود در تحقیقات آینده از نمونه های بزرگ تر و شرایط واقعی حرکتی استفاده گردد.

کلیدواژه ها:

یادگیری عمیق ، یادگیری ماشین ، GMM ، MLP ، CNN