بهبود طبقه بندی حرکات دست با استفاده از شبکه های عصبی عمیق (Deep Neural Networks) بر مبنای سیگنال های SEMG
سال انتشار: 1402
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 60
فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ECMECONF17_051
تاریخ نمایه سازی: 9 اسفند 1402
چکیده مقاله:
حرکات دست با استفاده از سیگنال های الکترومیوگرافی سطحی (SEMG) می تواند از طریق اسکلت های خارجی یا روبات هایی کنترل شود که به دقت فرمان های کنترلی از جانب کنترل کننده ورودی SEMG تغذیه می شوند. با افزایش پیچیدگی حرکات مورد نیاز، نیاز به روش های پیشرفته تری برای طبقه بندی SEMG به منظور بهبود دقت و عملکرد وجود دارد. کنترل بازو یا دست روباتیک با استفاده از سیگنال های الکترومیوگرافی سطحی SEMG، یک مسیر تحقیقاتی مهم در حوزه کنترل انسان-ماشین است. روش های کنترل مبتنی بر تشخیص الگو و مدل های اسکلت-عضلانی از جمله روش های کنترل کنونی هستند. اما این روش ها دارای محدودیت ها هستند و به یکنواختی دست انسان نیز نمی توانند تمام جنبه های کنترل را پوشش دهند.
کلیدواژه ها:
آنالیز آماری ، برآورد پیوسته ، زوایه مفصل انشگت ، کنترل میوالکتریک ، مقایسه روش ها ، LSTM ، RBF ، SPGP ، SEMG ، ، عملکرد LSTM.
نویسندگان
مهرداد متین قهفرخی
دانشجوی کارشناسی ارشد رشته مهندسی پزشکی دانشگاه غیرانتفاعی شها
محمدرضا یزدانی
عضو هیات علمی دانشگاه غیرانتفاعی شهاب دانش قم گروه مهندسی پزشکی