تشخیص زبان اشاره‌ی فارسی و حرکات دست توسط تجزیه‌ی سیگنال‌های الکترومایوگرام سطحی و اینرسی با تبدیل موجک تجربی

در سال‌های اخیر ساخت ابزارهایی که بتواند دشواری ارتباط میان افراد ناشنوا و عموم جامعه را آسان کرده و زبان اشاره را ترجمه کند مورد توجه پژوهش‌گران قرار گرفته است. با این حال مشکلاتی مانند پایین بودن صحت و سرعت محاسبات و هزینه‌ی زیاد ابزار مانع تجاری‌سازی تحقیقات شده است. دیگر چالش‌ موجود در ساخت ابزار کاربردی، لزوم عمل‌کرد خوب روش‌ها در دیدگاه آموزش به روش کنار گذاشتن یک نفر یا به بیانی دیگر در طبقه‌بندی داده‌های یک فرد جدید است. از این رو در این مقاله روشی کارآمد برای تشخیص حرکات دست با هدف ترجمه‌ی زبان اشاره ارائه شده است تا ضمن به کارگیری روشی با ابعاد کم، عمل‌کرد بهتری در انواع روش‌های آموزش به دست آید. در روش پیشنهادی، ویژگی‌های مقدار میانگین قدر مطلق، واریانس، ریشه‌ی میانگین مربعات، طول شکل موج، کشیدگی و چولگی از تبدیل موجک تجربی سیگنال‌های الکترومایوگرام و اینرسی استخراج گردیده است. سپس با روش relieff ویژگی‌های موثر انتخاب شده و برای طبقه‌بندی حرکات دست از ماشین بردار پشتیبان با هسته‌ی تابع پایه‌ی شعاعی استفاده شده است. درصدهای صحت روش پیشنهادی روی پایگاه داده ی psl و مجموعه‌های db2، db3، db5 و db7 از پایگاه داده‌ی نیناپرو به ترتیب در دیدگاه کلمه فرد برابر 99.31%، 97.11%، 96.58%، 96.12% و 97.32%، در دیدگاه کلمه همه‌ی افراد برابر 99.78%، 97.22%، 95.46%، 97.23% و 97.72% و در دیدگاه کنار گذاشتن یک فرد برابر 97.43%، 94.68%، 89.66%، 91.55% و 94.81% به دست آمده است.

detection of persian sign language and hand gestures by decomposition of surface electromyogram, and inertia signals with empirical wavelet transform

in recent years, the fabrication of devices that can facilitate the difficulty of communication between deaf people and the general public and translate sign language has attracted interest from researchers. but problems such as low accuracy and calculation speed and the high cost of tools have hindered the commercialization of research. another challenge in making a practical tool is the necessity of goodperformance of the methods in the perspective of training by leave-one-subject-out or in other words classifying the data of a new person. therefore, in this article, an efficient method for detecting hand gestures with the purpose of sign language translation hasbeen presented, so that while using a method with lower dimensions, better performance can be obtained in all kinds of training methods. in the proposed method, the features consisting of the mean absolute value, variance, root mean square, waveform length,kurtosis, and skewness have been extracted from the empirical wavelet transformation of the electromyogram and inertial signals. then, by the relieff method, effective features have been selected and for the classification of hand gestures, a support vectormachine classifier has been used. the accuracy percentages of the proposed method on the psl database and db2, db3, db5, and db7 datasets of the ninapro database, have been respectively obtained as follows: 99.31%, 97.11%, 96.58%, 96.12%, and 97.32%in the word-subject training approach, 99.78%, 97.22%, 95.46%, 97.23%, and 97.72% in the word-all-subject training approach, and 97.43%, 94.68%, 89.66%, 91.55%, and 94.81% in the leave-one-subject-out method.