این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مجله دانشکده پزشکی دانشگاه علوم پزشکی تهران، جلد ۷۷، شماره ۷، صفحات ۴۳۴-۴۳۹
عنوان فارسی تشخیص حرکات مچ دست از روی سیگنال الکترومایوگرام با استفاده از شبکه عصبی کانولوشنال
چکیده فارسی مقاله زمینه و هدف: با پیشرفت یادگیری عمیق (Deep learning)، انقلاب بزرگی در هوش مصنوعی ایجاد شده که بسیاری از رشته‌ها را به‌شدت تحت تاثیر خود قرار داده است. یادگیری عمیق، پردازش داده‌های خام با ابعاد بالا (مانند سیگنال یا تصویر) را بدون نیاز به مهندسی ویژگی (Feature engineering)، امکان‌پذیر می‌کند. هدف از این پژوهش، توسعه یک سیستم بر پایه یادگیری عمیق، برای تخمین اراده حرکتی از روی سیگنال EMG می‌باشد. روش بررسی: در این مطالعه، یک سیستم مایوالکتریک (Myoelectric) بر پایه شبکه عصبی کانولوشنال (CNN) (که یک مدل یادگیری عمیق است)، به‌عنوان جایگزینی برای روش‌های معمول طبقه‌بندی (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 ویژگی‌های حوزه زمانی (Time domain, TD) استفاده می‌کند، مقایسه گردید. یافته‌ها: باوجود عملکرد ثابت شده و رواج بسیار بالای ویژگی‌های TD، سیستم پیشنهادی به‌دقت طبقه‌بندی مشابهی (0/19P=) دست یافت. مزیت سیستم پیشنهادی در این است که نیازی به استخراج دستی و مهندسی ویژگی از سیگنال EMG وجود ندارد و CNN به‌صورت خودکار، ویژگی‌های مورد نیاز را فراگرفته و از سیگنال استخراج می‌کند. نتیجه‌گیری: این یافته‌ها، توانایی بالای CNN، برای یادگیری و استخراج اطلاعات غنی و پیچیده از سیگنال‌های بیولوژیک را نشان می‌دهد. CNN می‌تواند اطلاعات زمانی و فرکانسی مورد نیاز برای تخمین اراده حرکتی را از روی سیگنال EMG فرا بگیرد.
کلیدواژه‌های فارسی مقاله طبقه‌بندی، شبکه عصبی کانولوشنال، یادگیری عمیق، الکترومایوگرام
عنوان انگلیسی EMG-based wrist gesture recognition using a convolutional neural network
چکیده انگلیسی مقاله Background: Deep learning has revolutionized artificial intelligence and has transformed many fields. It allows processing high-dimensional data (such as signals or images) without the need for feature engineering. The aim of this research is to develop a deep learning-based 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 able-bodied 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 4-fold cross-validation. The performance of the proposed approach was compared to that of a standard SVM-based model that used a set of time-domain (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.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله علی عامری | Ali Ameri
Department of Biomedical Engineering, School of Medicine, Shahid Beheshti University of Medical Sciences, Tehran, Iran.
گروه مهندسی پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران.

نشانی اینترنتی http://tumj.tums.ac.ir/browse.php?a_code=A-10-3666-180&slc_lang=other&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده other
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده مقاله اصیل
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات