نوع مقاله : یادداشت کوتاه پژوهشی
نویسندگان
1 دانشجوی کارشناسی ارشد، گروه مهندسی پزشکی، دانشگاه سمنان، سمنان
2 استادیار، گروه مهندسی پزشکی دانشگاه سمنان، سمنان
چکیده
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.
کلیدواژهها
موضوعات
عنوان مقاله [English]
Classification of 52 Hand Postures and Movements Using the LDA and LS-SVM Classifiers Applicable to Myoelectric Hand Prostheses
نویسندگان [English]
- Afarin Nazemi 1
- Ali Maleki 2
1 M.Sc Student, Biomedical Engineering Department, Semnan University, Semnan, Iran
2 Assisstant Professor, Biomedical Engineering Department, Semnan University, Semnan, Iran
چکیده [English]
Classification of distal limb movements based on surface electromyography (sEMG) of proximal muscles is an important issue in the control of myoelectric hand prosthesis. In most of previous studies, classification of a limited number of hand motions is investigated. In this paper, we have used NINAPRO database containing kinematics and sEMG of upper limbs while performing 52 finger, hand and wrist movements. We evaluated performance of LDA and LS-SVM with RBF kernel classifiers using different combination of features. First by windowing the signal with two different methods, the major part of the signal was selected and eight various temporal features (MAV, IAV, RMS, WL, E, ER1, ER2, CC) were extracted. Then performance of each classifier with single, double and multiple combinations of features was evaluated. For LDA classifier, the best average classification accuracy of 84.23% was achived for first windowing method and MAV (or IAV)+CC features, The corresponding accuracy for LS-SVM classifier with second windowing method and IAV+MAV+RMS+WL features, was 85.19%.
کلیدواژهها [English]
- extraction of motor commands
- hand prosthesis
- LDA classifier
- LS-SVM classifier
- surface electromyography signal