استفاده از روش LDA و مدل کلاس بندی Neural Pattern Recognition برای دسته بندی حرکات انگشتان دست در سیگنال های الگترومیوگرافی

کاربرد سیگنال های الکترومیوگرافی در کنترل ماهیچه های بدن می باشد لذا از سیگنال های الکترومیوگرافی می توان برای کنترل سیستم های الکترونیکی و سایر ابزار ها استفاده کرد . برای اینکه این سیگنال ها را انالیز و تجزیه و تحلیل کرد لازم است ویژگی های سیگنال های دریافتی استخراج شود از جمله این ویژگی ها می توان به مقدار ZC - MVA - RMS اشاره نمود. برای اینکه بتوان تجزیه و تحلیل کرد که کدام یک از ویژگی ها مربوط به کدام عملکرد است لذا لازم است ویژگی ها را دسته بندی کرد برای دسته بندی ویژگی ها روش های مختلفی وجود دارد . لازم توجه است که اگر تعداد نمونه ها در هر ویژگی زیاد باشد درصد خطا در دسته بندی دیتا ها نیز بالا می باشد و این امر در تفتیک سیگنال های ماهیچه های ساعد دست برای کنترل عملکرد انگشتان دست نمایانگر است. در مقالاتی که قبلا منتشر شده است برای تفتیک عملکرد های سیگنال های الگترومیوگرافی انجام شده است می توان به کلاس بندی با نمودار درختی و SVM و شبکه های عصبی اشاره نمود که هر کدام به دلیل اینکه دارای خطاهایی در کلاس بندی می باشند و یا روش هایی مورد استفاده قرار گرفته است که زمان پردازش و آنالیز را افزایش داده اند. لذا برای این که مقدار خطا در کلاس بندی دیتا ها کاهش یابد تغییراتی را در جهت و محل قرار گیری و پراکندگی و تجمع دیتا های هر عملکرد در یک منطقه از صفحه نمایش و کاهش بعد انجام می دهیم تا کلاس بندی راحتر انجام شود و درصد خطا نیز کاهش یابد. در این مقاله روشی برای جداسازی و تفکیک سیگنال های الکترومیوگرافی ماهیچه های ساعد برای کنترل حرکت انگشتان دست با ترکیب دو مدل کاهش بعد و کلاس بندی ارایه شده است. از جمله قابلیت های این روش می توان به کاهش تعداد ورودی ها, کاهش خطا در پردازش, کاهش زمان پردازش در بخش کلاس بندی, انتقال دیتا ها از سه بعد به دو بعد باافزایش ضریب تفتیک پذیری اشاره نمود. این روش در ساخت دست رباتیک با استفاده از سیگنال های الگترومیوگرافی مورداستفاده قرار گرفته است و نتایج خوبی را ارایه داده است

کلیدواژه ها:

کاهش بعد ، تفتیک ، خطا ، کلاس بندی