تشخیص کلمات فارسی بر اساس سیگنال‌های الکترومایوگرام چهره

از دست دادن صدا و حنجره یک معضل بزرگ برای افراد با اختلالات گفتاری است. این اتفاق عواقب جدی و منفی بر کیفیت زندگی فردی و گروهی این اشخاص به ‌ویژه در محیط‌های کاری ایجاد می‌کند. توسعه‌ی یک سیستم هوشمند بر پایه‌ی سیگنال‌های الکترومایوگرام با قابلیت تشخیص گفتار (بدون استفاده از صوت) می‌تواند دریچه‌ی امیدبخشی برای افرادی که حنجره و صدای خود را بر اثر سرطان از دست ‌داده‌اند باشد. اگر چه در این حوزه پژوهش‌هایی برای زبان‌های مختلف انجام شده اما برای زبان فارسی پژوهشی صورت نگرفته است. در این مقاله برای اولین بار، بازشناسی واژگان فارسی با استفاده از الکترومایوگرام عضلات چهره انجام پذیرفته است. بدین منظور سیگنال‌های semg از 8 عضله‌ی چهره‌ی 6 داوطلب هنگام بیان 12 کلمه‌ی زبان فارسی جمع‌آوری شده است. سپس ویژگی‌های mfl، var، damv، ltke، iqr و cardinality از هر کانال و هر پنجره از سیگنال استخراج گردیده و 432 ویژگی حاصل از هر سیگنال با استفاده از روش تحلیل مولفه‌ی اصلی به 49 ویژگی تقلیل یافته است. در نهایت به‌ منظور بازشناسی 12 کلمه‌ی زبان فارسی، ویژگی‌ها به طبقه‌بندهای svm، knn و rf داده شده است. میانگین صحت طبقه‌بندی به ترتیب 83.16%، 81.91% و 78.97% به دست آمده است. ارزیابی نتایج این مقاله گویای آن است که با استفاده از سیگنال‌های emg می‌توان کلمات محدود زبان فارسی را با صحت خوبی بازشناسی نمود.

persian words recognition based on facial electromyogram signals

losing of voice and larynx is a major problem for people with speech disorders. it creates serious and negative consequences on the quality of individual and group life of these people, especially in working environments. the development of an intelligentsystem based on electromyogram signals with the ability to recognize speech (without using sound) can be a window of hope for people who lost their larynx and voice due to cancer. although progress and studies in this field are growing in our country and indifferent languages, but these studies have not been done for the persian language. in this article, for the first time, recognition of persian words was done usingelectromyogram of facial muscles. for this purpose, semg signals were collected from eight facial muscles and six volunteers while speaking twelve persian words. then, mfl, var, damv, ltke, iqr and cardinality features were extracted from eachchannel and each window from the signal, and the 432 features from each signal were reduced to 33 features using the pca principal component analysis method. finally, in order to recognize twelve persian words, the features were given to svm, knn and rf classifiers. the average classification accuracy was 83.16%, 81.91% and 78.97%, respectively. our evaluation in this article gives the hope that by using emg signals itis possible to recognize the limited words of persian language.