تشخیص حرکات مچ دست از روی سیگنال الکترومایوگرام با استفاده از شبکه عصبی کانولوشنال

زمینه و هدف: با پیشرفت یادگیری عمیق (deep learning)، انقلاب بزرگی در هوش مصنوعی ایجاد شده که بسیاری از رشته ها را به شدت تحت تاثیر خود قرار داده است. یادگیری عمیق، پردازش داده های خام با ابعاد بالا (مانند سیگنال یا تصویر) را بدون نیاز به مهندسی ویژگی (feature engineering)، امکان پذیر می کند. هدف از این پژوهش، توسعه یک سیستم بر پایه یادگیری عمیق، برای تخمین اراده حرکتی از روی سیگنال emg می باشد.روش بررسی: در این مطالعه، یک سیستم مایوالکتریک (myoelectric) بر پایه شبکه عصبی کانولوشنال (cnn) (که یک مدل یادگیری عمیق است)، به عنوان جایگزینی برای روش های معمول طبقه بندی (classification) که نیازمند به مهندسی ویژگی هستند، معرفی شده است. این سیستم برای حرکات انفرادی و ترکیبی مچ دست، بر روی ده شخص سالم، مورد ارزیابی قرار گرفته شد. عملکرد روش پیشنهادی، با یک سیستم استاندارد برپایه support vector machine (svm) که از ویژگی های حوزه زمانی (time domain, td) استفاده می کند، مقایسه گردید.یافته ها: باوجود عملکرد ثابت شده و رواج بسیار بالای ویژگی های td، سیستم پیشنهادی به دقت طبقه بندی مشابهی (0/19=p) دست یافت. مزیت سیستم پیشنهادی در این است که نیازی به استخراج دستی و مهندسی ویژگی از سیگنال emg وجود ندارد و cnn به صورت خودکار، ویژگی های مورد نیاز را فراگرفته و از سیگنال استخراج می کند.نتیجه گیری: این یافته ها، توانایی بالای cnn، برای یادگیری و استخراج اطلاعات غنی و پیچیده از سیگنال های بیولوژیک را نشان می دهد. cnn می تواند اطلاعات زمانی و فرکانسی مورد نیاز برای تخمین اراده حرکتی را از روی سیگنال emg فرا بگیرد.

EMGbased wrist gesture recognition using a convolutional neural network

Background: Deep learning has revolutionized artificial intelligence and has transformed many fields. It allows processing highdimensional data (such as signals or images) without the need for feature engineering. The aim of this research is to develop a deep learningbased system to decode motor intent from electromyogram (EMG) signals.Methods: A myoelectric system based on convolutional neural networks (CNN) is proposed, as an alternative to conventional classification methods that depend on feature engineering. The proposed model was validated with 10 ablebodied subjects during single and combined wrist motions. Eight EMG channels were recorded using eight pairs of surface electrodes attached around the subject’s dominant forearm. The raw EMG data from windows of 167ms (200 samples) in 8 channels were arranged as 200×8 matrices. For each subject, a CNN was trained using the EMG matrices as the input and the corresponding motion classes as the target. The resulting model was tested using a 4fold crossvalidation. The performance of the proposed approach was compared to that of a standard SVMbased model that used a set of timedomain (TD) features including mean absolute value, zero crossings, slope sign changes, waveform length, and mean frequency.Results: In spite of the proven performance and popularity of the TD features, no significant difference (P=0.19) was found between the classification accuracies of the two methods. The advantage of the proposed model is that it does not need manual extraction of features, as the CNN can automatically learn and extract required representations from the EMG data.Conclusion: These results indicate the capacity of CNNs to learn and extract rich and complex information from biological signals. Because both amplitude and frequency of EMG increases with increasing muscle force, both temporal and spectral characteristics of EMG are needed for efficient estimation of motor intent. The TD set, also includes these types of features. The high performance of the CNN model shows its capability to learn temporal and spectral representations from raw EMG data.