آنالیز الکترومایوگرام عضلات صورت برای طبقه بندی احساسات بر اساس الگوی کورتوگرام طیفی و شبکه عصبی کانولوشن

اخیرا تکنیک های پردازش سیگنال های دیجیتال به دلیل وجود نویزهای مختلف، تداخلات برق شهر و آرتیفکت های حرکتی به ویژه در زمان ثبت الکترومایوگرام عضلات صورت (fEMG)، به طور کامل کارآمد نیستند. آنالیز داده های الکترومایوگرام عضلات صورت به تکنیک های پیشرفته پردازش به کمک هوش مصنوعی جهت پردازش سیگنال ها نیاز دارد. در این مقاله، برای کلاس بندی سیگنال های الکترومایوگرام دیتاست Den-Broek(۲۰۰۶) از روش مبتنی بر الگوی کورتوگرام طیفی و شبکه عصبی کانولوشن استفاده گردیده است. کورتوگرام یک الگوی مبتنی بر ظرفیت انرژی و زمان-فرکانس است که جزئیات فرکانس را نشان می دهد. در این مقاله کورتوگرام به عنوان بردار ورودی برای شبکه عصبی کانولوشن جهت کلاس بندی احساسات درنظر گرفته می شود. سطوح مختلف کورتوگرام برای انتخاب ویژگی و کلاس بندی سیگنال های الکترومایوگرام سطحی صورت به ۵ کلاس در نظر گرفته می شود. طبق نتایج به دست آمده با استفاده از روش آماری AHP-Solver صحت طبقه بندی این روش نسبت به ماشین بردار پشتیبان و k نزدیک ترین همسایه به مراتب بالاتر است.

کلیدواژه ها:

الکترومایوگرام عضلات صورت (fEMG) ، الگوی کورتوگرام طیفی ، شبکه عصبی کانولوشن ، کلاس بندی احساسات ، روش AHP-Solver