ارزیابی طبقه‌بندی کننده‌های LDA و LS-SVM برای تفکیک 52 حرکت و وضعیت دست برای کاربرد در پروتزهای مبتنی بر فعّالیّت الکتریکی عضلات

طبقه‌بندی حرکت‌های اعضای دیستال با استفاده از سیگنال‌های الکترومایوگرام سطحی (semg) قسمت پروکسیمال، بخش مهمی در کنترل پروتزهای مایوالکتریک است. در بیش تر مطالعات قبلی، طبقه‌بندی تعداد محدودی از حرکت‌های دست، مورد بررسی قرار گرفته است. در این مقاله، از پایگاه داده‌ی ninapro که شامل داده‌های کینماتیک و semg فرد سالم برای 52 حرکت انگشت، پنجه و مچ دست است استفاده شد. عملکرد طبقه‌بندی کننده‌های lda و ls-svm با کرنل rbf، به ازای ترکیب‌های مختلف ویژگی‌ها بررسی شد. ابتدا با پنجره گذاری به دو شیوه‌ی مختلف، بخش اصلی سیگنال جدا شد و هشت ویژگی زمانی مختلف (mav، iav، rms، wl، e، er1، er2، cc) از آن استخراج گردید. سپس، عملکرد هریک از طبقه‌بندی کننده‌ها با هرکدام از این ویژگی‌ها و ترکیب‌های دوتایی و چندتایی آن‌ها بررسی شد. برای طبقه‌بندی کننده‌ی lda بهترین میانگین دقتِ طبقه‌بندی، با شیوه‌ی پنجره گذاری به روش اول و ترکیب ویژگی‌های mav (or iav)+cc، 84/23 درصد محاسبه شد. این دقت برای طبقه‌بندی کننده‌ی ls-svm با شیوه‌ی پنجره گذاری به روش دوم و ویژگی‌های iav+mav+rms+wl، به 85/19 درصد رسید.