بازشناسی ژست‌ها و حالت‌های حرکتی دست در سیگنال‌های الکترومایوگرام با استفاده از روش هم‌جوشی نرم در انتخاب ویژگی و طبقه‌بندی کننده‌ی 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 عصبیعضلانی، کنترل دستگاه‌های پروتز و تشخیص حالات دست مفید هستند، بازشناسی غیرمقاوم آن‌ها 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 عصبیعضلانی، 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 توصیف‌گرهای حوزه‌ی زمانفرکانس و بعد فراکتال انجام شده، در مرحله‌ی دوم انتخاب ویژگی با استفاده از یک روش جدید هم جوشی نرم سه رویکرد آزمونt، 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 مجموعه‌ی داده‌ی uc2018 dualmyo و uci جهت ارزیابی روش پیشنهادی در نظر گرفته شده که از داده‌ی نخست برای دسته بندی 8 ژست حرکتی و از داده‌ی دوم برای طبقه بندی 6 نوع حالت حرکت استفاده شده است. عمل‌کرد راه‌کار پیشنهادی با میانگین صحت بالای 98% در هر دو مجموعه‌ی داده رضایت بخش می‌باشد. برخلاف رویکردهای مشابه که در آن‌ها طبقه‌بندی 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 می‌تواند در کاربردهای توان بخشی و فرایندهای تشخیص بالینی نیز تاثیرگذار باشد.