ارزیابی روش های تجزیه سیگنال الکترومیوگرام سطحی در طراحی سیستم تشخیص حرکت های دست

سال انتشار: 1403
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 45

فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JIPET-15-59_008

تاریخ نمایه سازی: 11 دی 1402

چکیده مقاله:

یک روش برای تعیین فرمان های حرکتی برای کنترل پروتزهای دست، استفاده از الگوهای سیگنال الکترومایوگرام سطحی (sEMG) است. با توجه به ماهیت تصادفی و غیرایستای سیگنال­، ایده استفاده از اطلاعات سیگنال در بازه­های زمانی کوچک مورد بررسی قرار گرفت. در این مطالعه با هدف تشخیص دقیق­تر و سریع­تر حرکت­های دست، دو روش­ تجزیه سیگنال شامل تبدیل موجک گسسته (DWT) و تجزیه مد تجربی (EMD) ارزیابی شده­اند. سیگنال های مجموعه داده نیناپرو DB۱ که از ۲۷ فرد سالم در حین انجام حرکت­های دست و انگشتان استخراج شده­اند، برای طراحی سیستم به­کار رفته است. ویژگی­های زمانی ساده با قابلیت محاسبه سریع برای هر زیرباند از سیگنال­های تجزیه شده به­کار گرفته شدند. همچنین ماشین بردار پشتیبان (SVM) با استفاده از توابع کرنل مختلف به­عنوان طبقه­بندی­کننده مورد استفاده قرار گرفت. نتایج به­دست آمده نشان می­دهد، استفاده از روش­های تبدیل موجک گسسته و تجزیه مد تجربی با قابلیت دسترسی به اطلاعات زیربازه­های زمانی و فرکانسی سیگنال­ها، نتایج بهتری در شناسایی حرکت­های دست در مقایسه با مطالعات گذشته ارایه می­کند. با روش تجزیه مد تجربی و تعداد هشت تابع مد ذاتی، بالاترین دقت تشخیص با مقدار ۳/۸۳ درصد برای شش حرکت به دست آمد. همچنین روش تبدیل موجک گسسته با موجک مادر بای­ارتوگونال ۵/۵ در پنج سطح تجزیه، دقت تشخیص ۸۰ درصد را برای ده حرکت و با موجک مادر کویفلت ۲ در شش سطح تجزیه، دقت ۳۳/۸۳ درصد را برای شناسایی هشت حرکت کسب کرد. نتایج به­دست آمده عملکرد بهتر روش تجزیه موجک در مقایسه با تجزیه مد تجربی را برای طراحی سیستم شناسایی حرکت­های دست با استفاده از الگوهای سیگنال الکترومایوگرام سطحی نشان می­دهد.

نویسندگان

مریم کرمی

دانشکده مهندسی برق- واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران

مهدی خضری

مرکز تحقیقات پردازش دیجیتال و بینایی ماشین- واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • M. Khezri, M. Jahed, "An inventive quadratic time-frequency scheme based ...
  • S. Mao, J. Li, A. Guo, T. Zhao, J. Zhang, ...
  • R. Chowdhury, M. Raez, M. Ali, A. Bakar, K. Chellappan, ...
  • J. Lopes, M. Simão, N. Mendes, M. Safeea, J. Afonso, ...
  • M. Tavakoli, C. Benussi, P. Alhais Lopes, L. B. Osorio, ...
  • F. Duan, L. Dai, "Recognizing the gradual changes in sEMG ...
  • A. Islam, M.S. Alam, "Classification of electromyography signals using support ...
  • A.D. Bellingegni, E. Gruppioni, G. Colazzo, A. Davalli, R. Sacchetti, ...
  • Y. Li, Q. Zhang, N. Zeng, J. Chen, Q. Zhang, ...
  • S. Shen, K. Gu, X.-R. Chen, M. Yang, "Movements classification ...
  • J.E. Lara, L.K. Cheng, O. Röhrle, N. Paskaranandavadivel, "Muscle-specific high-density ...
  • F.S. Botros, A. Phinyomark, E.J. Scheme, "Electromyography-based gesture recognition: is ...
  • M. Atzori, A. Gijsberts, S. Heynen, A. G. M. Hager, ...
  • J. Kevric, A. Subasi, "Comparison of signal decomposition methods in ...
  • L. Chmelka, J. Kozumplik, "Wavelet-based wiener filter for electrocardiogram signal ...
  • M.S. Chaudhary, R.K. Kapoor, A.K. Sharma, "Comparison between different wavelet ...
  • B.E. Boser, I. Guyon, "A training algorithm for optimal margin ...
  • S. Karimi-Shahraki, M. Khezri, "Identification of attention deficit Hyperactivity disorder ...
  • M. Dorvashi, N. Behzadfar, G. Shahgholian, “Classification of alcoholic and ...
  • M. Atzori, A. Gijsberts, H. Muller, B. Caputo, "Classification of ...
  • M. Atzori, A. Gijsberts, C. Castellini, B. Caputo, A.G.M. Hager, ...
  • نمایش کامل مراجع