نوع مقاله : مقاله کامل پژوهشی
نویسندگان
1 استادیار، گروه مهندسی پزشکی، دانشکدهی فنی و مهندسی، دانشگاه میبد، میبد، ایران
2 مربی، گروه مهندسی پزشکی، دانشکدهی فنی و مهندسی، دانشگاه میبد، میبد، ایران
3 دانشجوی دکتری مهندسی پزشکی، دانشکدهی مهندسی برق و کامپیوتر، دانشگاه نورث داکوتا، گرندفورکس، آمریکا
4 استاد، گروه مهندسی پزشکی، دانشکدهی فنی و مهندسی، دانشگاه حکیم سبزواری، سبزوار، ایران
چکیده
در پروتزهای مدرن، طبقهبندی سیگنالهای الکترومایوگرام سطحی (sEMG) تا حد زیادی بر کنترل مطلوب عضلات اثر دارد. اگر چه این سیگنالها در تشخیص بیماریهای عصبی-عضلانی، کنترل دستگاههای پروتز و تشخیص حالات دست مفید هستند، بازشناسی غیرمقاوم آنها میتواند باعث بروز عارضههای مختلف حرکتی شود. در این مقاله با هدف ایجاد رویکردی بهینه در طبقهبندی سیگنالهای الکترومایوگرام سطحی در تشخیص نوع حرکت و نیز شناسایی ژست دست، مدلی جدید طراحی شده است که میتواند در تشخیص بیماریهای عصبی-عضلانی، تعیین نوع درمان و فیزیوتراپی مورد استفاده قرار گیرد. با در نظر گرفتن چالشهای موجود در شناسایی کلاسهای حرکتی دست، روش پیشنهادی از سه گام تشکیل شده است. در گام اول قاببندی و استخراج ویژگی از سیگنال توسط توصیفگرهای حوزهی زمان-فرکانس و بعد فراکتال انجام شده، در مرحلهی دوم انتخاب ویژگی با استفاده از یک روش جدید همجوشی نرم سه رویکرد آزمون-T، آنتروپی و پیچش عام صورت گرفته و در گام سوم طبقهبندی حالات حرکتی و ژست دست با تکیه بر بهینهسازی پارامترهای کرنل ماشین بردار پشتیبان توسط الگوریتم حرکت کاتورهای گاز انجام شده است. دو مجموعهی دادهی UC2018 DualMyo و UCI جهت ارزیابی روش پیشنهادی در نظر گرفته شده که از دادهی نخست برای دستهبندی 8 ژست حرکتی و از دادهی دوم برای طبقهبندی 6 نوع حالت حرکت استفاده شده است. عملکرد راهکار پیشنهادی با میانگین صحت بالای 98% در هر دو مجموعهی داده رضایتبخش میباشد. برخلاف رویکردهای مشابه که در آنها طبقهبندی در تعداد طبقههای محدود و با سطح خطای بالا اجرا شده، روش پیشنهادی از دقت، ثبات و اعتمادپذیری قابل قبولی برخوردار است. به کارگیری این روش در طراحی پروتزهای دست موثر بوده و میتواند در کاربردهای توانبخشی و فرایندهای تشخیص بالینی نیز تاثیرگذار باشد.
کلیدواژهها
عنوان مقاله [English]
Hand Gesture and Movement Recognition based on Electromyogram Signals using Soft Ensembling Feature Selection and Optimized Classifier
نویسندگان [English]
- Khosro Rezaee 1
- Fardin Ghaderi 2
- Hamed Taheri Gorji 3
- Javad Haddadnia 4
1 Assistant Professor, Biomedical Engineering Group, Department of Engineering, Meybod University, Meybod, Iran
2 Instructor, Biomedical Engineering Group, Department of Engineering, Meybod University, Meybod, Iran
3 Ph.D. Student, School of Electrical Engineering and Computer Science, University of North Dakota, Grand Forks, ND 58202 USA
4 Professor, Biomedical Engineering Group, Department of Engineering, Hakim Sabzevari University, Sabzevar, Iran
چکیده [English]
In modern prostheses, accurate processing of surface electromyogram (sEMG) signals has a significant effect on optimal muscle control. Although these signals are useful for diagnosing neuromuscular diseases, controlling prosthetic devices and detecting hand movements, non-robustness of EMG signal-based recognition will give rise to various movement disorders. In this paper, we present an optimal approach to classify EMG signals for hand gesture and movement recognition, whose purpose is to be used as an efficient method of diagnosing neuromuscular diseases, determining the type of treatment and physiotherapy. The main assumption of this study is to improve the accuracy of recognition and therefore, we proposed a novel hand gesture and movement recognition model consists of three steps: (1) EMG signal features extraction based on time-frequency domain and fractal dimension features; (2) feature selection by soft ensembling of three procedures in which includes two sample T-tests, entropy and common wrapper feature reduction, and (3) classification based on kernel parameters optimization of SVM classifier by using Gases Brownian Motion Optimization (GBMO) algorithm. Two UC2018 DualMyo and UCI datasets have been considered to evaluate the proposed model. The first dataset is used to classify eight hand gestures and the second dataset is employed for the classification of six types of movement. The experiment results and statistical tests reveal that the designed approach has desirable performance with an average accuracy of above 98% in both datasets. Contrary to similar methods that perform classifications in finite classes with high error rates, the integrated method has satisfactory accuracy, robustness and reliability. Not only the proposed method contributes to the design of prostheses, but also provides effective outcomes for rehabilitation applications and clinical diagnosis processes.
کلیدواژهها [English]
- Electromyogram
- Hand Gesture
- Hand Movement
- Fractal Dimension
- Soft Ensembling
- Optimal Classifier