تشخیص حرکات دست و انگشت از طریق ‍ پردازش زمان-فرکانس سیگنال الکترومایوگرافی و یادگیری ماشین

چکیده:

اخیرا رابط‌های انسان و رایانه‌ به محبوبیت بسیاری در زمینه­های مختلف دست یافته‌اند. این رابط‌ها، سیستم‌های رایانه­ای را در تبدیل اطلاعات بیولوژیکی بدن انسان به داده‌های قابل درک کمک می‌کنند. از جمله سیگنال‌هایی که در رابط انسان و کامپیوتر استفاده می‌شوند، سیگنال‌های الکترومایوگرافی سطحی (sEMG) می‌باشند. این فناوری می‌تواند در زمینه‌های مختلف از جمله کمک به افراد دارای اختلالات حرکتی که ممکن است در تعامل با محیط خود مشکل داشته باشند یا در دستیابی به اهدافی مانند شناسایی و پیشگیری از تصادفات ناشی از حواس‌پرتی و بی‌توجهی راننده با استفاده از فناوری‌های حسگر و هوش مصنوعی برای افزایش ایمنی در رانندگی مفید باشد. علاوه بر این، طراحی پروتز اندام فوقانی بااستفاده از خروجی این پردازش، افراد قطع عضو را قادر می‌سازد تا از این قابلیت به‌عنوان بخشی از بدن خود برای ارتباط با دنیای اطراف استفاده کنند. در این پایان­نامه از دو پایگاه داده موجود در مجموعهEMG DATASETS REPOSITORY استفاده شده است. این پایگاه داده توسط خوشابا و همکاران جمع­آوری شده‌ است و شامل حرکات انگشتان دست در چهارده و پانزده کلاس مختلف هستند. آن‌ها این پایگاه داده را توسط 8 الکترود با فرکانس نمونه­برداری 4000 هرتز ثبت کرده‌اند. هدف از انجام این تحقیق، ارائه روشی کارآمد برای طبقه‌‌بندی حرکات انگشت با استفاده از سیگنال‌های EMG می‌باشد. در این کار از روش‌های تجزیه زمان-فرکانس مبتنی بر سه رویکرد تبدیل فوریه زمان-کوتاه(STFT)، تبدیل ویولت گسسته(DWT) و تبدیل ویولت گسسته با حداکثر همپوشانی(MODWT) با تعداد ویژگی­های کم استفاده شده است. در الگوریتم‌های پیشنهاد شده در هر سه رویکرد، از مولفه‌های تجزیه شده ویژگی­های آماری رایج در این حوزه استخراج گردید. دو روش انتخاب ویژگی، fscnca و relieff، جهت بهینه‌سازی و طبقه‌بندی با ویژگی‌های کمتر استفاده شد، سپس برای طبقه‌بندی حرکات انگشت دست، طبقه‌بند SVM با کرنل‌های مختلف به‌کار گرفته‌شده است. نتایج به‌دست آمده از طبقه‌بندی نشان می‌دهد که رویکرد پیشنهادی مبتنی بر استخراج ویژگی بااستفاده از DWT درحالت چهارده و پانزده کلاس با تعداد 25 ویژگی برتر انتخاب شده توسط روش fscnca به ترتیب به صحت 20/98 و 27/99 درصد رسید. این مقادیر، نتایج امیدوار کننده‌ای را برای بهبود فرآیند تشخیص حرکات دست و انگشتان نشان می‌دهند.