|
|
|
|
طبقه بندی حالات منتخب صورت از طریق سیگنال الکترومایوگرافی تک کاناله به وسیله شبکه عصبی مصنوعی و درخت تصمیم
|
|
|
|
|
|
|
|
نویسنده
|
شجاعیان نیلوفر ,رضایی افشار بابک
|
|
منبع
|
تحليل مدارها، داده ها و سامانه ها - 1404 - دوره : 3 - شماره : 1 - صفحه:44 -53
|
|
چکیده
|
این مطالعه، به بررسی حالات مختلف صورت از طریق الکترومایوگرافی تک کاناله با حداقل پیچیدگی محاسباتی به منظور استفاده در کاربردهای واقعی به صورت بلادرنگ می پردازد. داده های الکترومایوگرافی عضلات صورت نشات گرفته از پتانسیل الکتریکی اجرای حالات مختلف صورت است که به ازای حالات مختلف می تواند مقادیر متفاوتی را داشته باشد. در این مطالعه، داده های الکترومایوگرافی از حالت های مختلف عضلات صورت 6 نفر از شرکت کنندگان زن با میانگین سنی 5 ±25 سال ثبت گردید و پس از اعمال فیلتر باترورث مرتبه چهار، داده ها در پنجره های 10 ثانیه ای تقسیم بندی شد و سپس 12 ویژگی در حوزه زمان و فرکانس از آن استخراج گردید. برای کاهش حجم محاسباتی از روش کاهش ویژگی pcaو برای طبقه بندی داده ها از شبکه عصبی مصنوعی و درخت تصمیم استفاده شد. پس از اعمال فیلترها و استخراج ویژگی، داده ها توسط طبقه بندهای پرسپترون چندلایه با صحت 73.57 درصدی، درخت تصمیم با صحت 95.16 درصدی،mpl-pca با صحت 65.20 درصدی و dt-pca با صحت 96.33درصدی مورد طبقه بندی قرار گرفتند. از چالش های این مطالعه می توان به تعداد کم افراد شرکت کننده و تک کاناله بودن اشاره کرد. همچنین در مطالعات آینده می توان داده های عضلات صورت را به صورت ترکیبی استفاده کرد.
|
|
کلیدواژه
|
حالات صورت، الکترومایوگرافی، شبکه عصبی مصنوعی، درخت تصمیم، تحلیل مولفههای اساسی
|
|
آدرس
|
دانشگاه آزاد اسلامی واحد تهران مرکزی, گروه مهندسی پزشکی بیوالکتریک, ایران, دانشگاه علوم پزشکی ایران, دانشکده توان بخشی, گروه ارتز و پروتز, ایران
|
|
پست الکترونیکی
|
babak.rezaee@srbiau.ac.ir
|
|
|
|
|
|
|
|
|
|
|
|
|
|
the classification of selected facial expressions using single-channel electromyographic signals through artificial neural networks and decision trees
|
|
|
|
|
Authors
|
shojaeian niloofar ,rezae afshar babak
|
|
Abstract
|
this study examines various facial expressions using single-channel electromyography with minimal computational complexity for real-time applications. the electromyography data of facial muscles is derived from the electrical potential generated by different facial expressions, which can have varying values for each expression. in this study, electromyography data were recorded from the facial muscles of six female participants with a mean age of 25 ±5 years. after applying a fourth-order butterworth filter, the data were divided into 10-second windows, and 12 features were extracted in both time and frequency domains. to reduce computational load, principal component analysis (pca) was utilized for feature reduction, while classification of the data was performed using artificial neural networks and decision trees. after applying the filters and extracting features, the data were classified using multilayer perceptron classifiers with an accuracy of 73.57%, decision trees with an accuracy of 95.16%, mpl-pca with an accuracy of 65.20%, and dt-pca with an accuracy of 96.33%. challenges in this study include the small number of participants and the single-channel nature of the data. future studies could combine facial muscle data.
|
|
Keywords
|
facial expressions ,electromyography ,artificial neural network ,decision tree ,principal component analysis
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|