طبقهبندی حرکتهای اعضای دیستال با استفادهاز سیگنالهای الکترومایوگرام سطحی (sEMG) قسمت پروکسیمال، بخش مهمی در کنترل پروتزهای مایوالکتریک است. در بیشتر مطالعات قبلی، طبقهبندی تعداد محدودی از حرکتهای دست، مورد بررسی قرار گرفتهاست. در این مقاله، از پایگاه دادهی NINAPROکه شامل دادههای کینماتیک و sEMGفرد سالم برای 52 حرکت انگشت، ...
بیشتر
طبقهبندی حرکتهای اعضای دیستال با استفادهاز سیگنالهای الکترومایوگرام سطحی (sEMG) قسمت پروکسیمال، بخش مهمی در کنترل پروتزهای مایوالکتریک است. در بیشتر مطالعات قبلی، طبقهبندی تعداد محدودی از حرکتهای دست، مورد بررسی قرار گرفتهاست. در این مقاله، از پایگاه دادهی NINAPROکه شامل دادههای کینماتیک و sEMGفرد سالم برای 52 حرکت انگشت، پنجه و مچ دست است استفاده شد. عملکرد طبقهبندی کنندههای LDAو LS-SVMبا کرنل RBF، به ازای ترکیبهای مختلف ویژگیها بررسی شد. ابتدا با پنجره گذاری به دو شیوهی مختلف، بخش اصلی سیگنال جدا شد و هشت ویژگی زمانی مختلف (MAV، IAV، RMS، WL، E، ER1، ER2، CC) از آن استخراج گردید. سپس، عملکرد هریک از طبقهبندی کنندهها با هرکدام از این ویژگیها و ترکیبهای دوتایی و چندتایی آنها بررسی شد. برای طبقهبندی کنندهی LDA بهترین میانگین دقتِ طبقهبندی، با شیوهی پنجره گذاری به روش اول و ترکیب ویژگیهای MAV (or IAV)+CC، 23/84 درصد محاسبه شد. این دقت برای طبقهبندی کنندهی LS-SVMبا شیوهی پنجره گذاری به روش دوم و ویژگیهای IAV+MAV+RMS+WL، به 19/85 درصد رسید.