تحلیل سرعت‌های مختلف انجام حرکت دست‌رسانی با استفاده از آنالیز کمّی بازگشتی و کمّی‌کننده‌های غیرخطی

استفاده از روش‌های غیرخطی در پردازش سیگنال‌های حیاتی به‌دلیل ماهیت غیرخطی سیستم‌های بیولوژیکی مولد این سیگنال‌ها مورد توجه قرارگرفته است. از جمله این روش‌ها، نمودارهای بازگشتی است که بازنمایی گرافیکی و کیفی از پویایی موجود در سیگنال را فراهم می‌آورند. حرکت مهارتی دست‌رسانی از جمله فعالیت‌های مهم حرکتی در طول زندگی بشر به‌شمار می‌آید. علی‌رغم توانمندی روش‌های غیرخطی، استفاده از آن در تحلیل سیگنال الکترومایوگرام طی حرکت دسترسانی، کمتر مورد توجه قرار گرفته است. از این رو، در این مقاله برای طبقه‌بندی سرعت‌های مختلف در انجام این حرکت در صفحه افقی، سعی شده است علاوه بر تولید ساختارهای کیفی نمودارهای بازگشتی، تغییرات پویای سیگنال الکترومایوگرام طی انجام پروتکل ثبت، کمّی‌سازی گردد. به‌این منظور از شاخص‌های آنالیز کمّی بازگشتی به همراه کمّی‌کننده‌های غیرخطی شامل نمای لیاپانوف و بُعد فرکتال هیگوچی استفاده شده است. براساس آنالیز واریانس چند متغیره، بهترین ویژگی‌ها در تفکیک سرعت‌های مختلف انجام حرکت دست‌رسانی شناسایی شده‌اند. نتایج نشان می‌دهد که شاخص‌های نرخ بازگشت، قطعیت، لامیناریتی و بعد فرکتال هیگوچی توانمندترین ویژگی‌ها در توصیف دادگان ثبت شده می‌باشند. بر اساس ویژگی‌های انتخاب شده، طبقه‌بندی حرکات با استفاده از الگوریتم‌های kنزدیک‌ترین همسایه با صحت %96.67، ماشین بردار پشتیبان %100، آنالیز افتراقی خطی %100 و درخت تصمیم %90، انجام گرفته است.

Analysis of Reaching Movements at Different Speeds using Recurrence Quantification Analysis and Nonlinear Quantifiers

Using nonlinear signal processing methods is critical in processing biological signals due to their nonlinear dynamics. Recurrence plots are one of these nonlinear methods that provide qualitative and graphical representation of inherent dynamic of signal. Reaching movement is one of the important skill movements during human life. Despite of nonlinear methods capability to analyze the electromyogram signals during reaching movement, these methods are less considered. Therefore, the current manuscript investigates the classification of reaching movements at different speeds in horizontal plane. To achieve this, some quantitative indicators of recurrence plot analysis and nonlinear quantifiers including Lyapunov exponent and Higuchi fractal dimension are used. Based on multivariate analysis of variance, most discriminative features in the separation of different speeds of reaching movement are selected. Results show Recurrence rate, determinism, laminarity and Higuchi fractal dimension are best indicators to describe the recorded signals. The accuracy of KNN is 96.67%, SVM is 100%, linear discriminant analysis is 100%, and decision tree is 90%.