کمی‌سازی خستگی عضلانی حین تایپ با استفاده از ویژگی‌های زمان-فرکانس سیگنال الکترومایوگرافی سطحی و شبکه‌های عصبی مصنوعی

امروزه با گسترش استفاده از رایانه در محیط‌های کاری، علیرغم مزایای فراوان این فناوری، شیوع بیماری‌های اسکلتی-عضلانی روند رو به گسترشی را دنبال می‌کند. ریسک فاکتورهای فیزیکی مرتبط با کار شامل تکرار، وضعیت نامناسب اندام‌ها و ارتعاش از عوامل بروز آسیب‌ها و اختلالات اسکلتی-عضلانی مزمن هستند. خستگی عضلانی در نواحی گردن و شانه یکی از شایع‌ترین مشکلات گزارش شده در مورد فعالیت حین تایپ است. از سیگنال‌های الکترومایوگرافی سطحی به عنوان یک روش غیرتهاجمی برای تشخیص خستگی عضلانی استفاده می‌شود. در این مقاله به بررسی خستگی عضلانی حین تایپ پرداخته شده است. برای این منظور پس از ثبت سیگنال‌های EMG از عضله trapezius که بیشترین درگیری را حین تایپ دارد و استخراج ویژگی‌های زمانی، فرکانسی و همچنین زمان-فرکانس(ضرایب ویولت) به کمی‌سازی و سطح‌بندی سیگنال‌های ثبت شده به دو سطح خستگی و غیرخستگی با استفاده از شبکه‌های عصبی MLP پرداخته شده است. نتایج نشان می‌دهد با انتخاب و ترکیب ویژگی‌های مناسب، طبقه‌بندی کننده داده‌های آموزش، ارزیابی و آزمون را به ترتیب با دقت 87.5% و 88.3% و 87.5 % تفکیک نموده است.