بازشناسی ژست ها و حالت های حرکتی دست در سیگنال های الکترومایوگرام با استفاده از روش هم جوشی نرم در انتخاب ویژگی و طبقه بندی کننده ی بهینه

در پروتزهای مدرن، طبقه بندی سیگنال های الکترومایوگرام سطحی (sEMG) تا حد زیادی بر کنترل مطلوب عضلات اثر دارد. اگر چه این سیگنال ها در تشخیص بیماری های عصبی-عضلانی، کنترل دستگاه های پروتز و تشخیص حالات دست مفید هستند، بازشناسی غیرمقاوم آن ها می تواند باعث بروز عارضه های مختلف حرکتی شود. در این مقاله با هدف ایجاد رویکردی بهینه در طبقه بندی سیگنال های الکترومایوگرام سطحی در تشخیص نوع حرکت و نیز شناسایی ژست دست، مدلی جدید طراحی شده است که می تواند در تشخیص بیماری های عصبی-عضلانی، تعیین نوع درمان و فیزیوتراپی مورد استفاده قرار گیرد. با در نظر گرفتن چالش های موجود در شناسایی کلاس های حرکتی دست، روش پیشنهادی از سه گام تشکیل شده است. در گام اول قاب بندی و استخراج ویژگی از سیگنال توسط توصیف گرهای حوزه ی زمان-فرکانس و بعد فراکتال انجام شده، در مرحله ی دوم انتخاب ویژگی با استفاده از یک روش جدید هم جوشی نرم سه رویکرد آزمون-T، آنتروپی و پیچش عام صورت گرفته و در گام سوم طبقه بندی حالات حرکتی و ژست دست با تکیه بر بهینه سازی پارامترهای کرنل ماشین بردار پشتیبان توسط الگوریتم حرکت کاتوره ای گاز انجام شده است. دو مجموعه ی داده ی UC2018 DualMyo و UCI جهت ارزیابی روش پیشنهادی در نظر گرفته شده که از داده ی نخست برای دسته بندی 8 ژست حرکتی و از داده ی دوم برای طبقه بندی 6 نوع حالت حرکت استفاده شده است. عمل کرد راه کار پیشنهادی با میانگین صحت بالای 98% در هر دو مجموعه ی داده رضایت بخش می باشد. برخلاف رویکردهای مشابه که در آن ها طبقه بندی در تعداد طبقه های 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 می تواند در کاربردهای توان بخشی و فرایندهای تشخیص بالینی نیز تاثیرگذار باشد.