Other language title :
EMG استفاده از تكنيك هاي آماري و شبكه عصبي مصنوعي براي تخمين نيرو از سيگنال هاي
Title of article :
Application of statistical techniques and artificial neural network to estimate force from sEMG signals
Author/Authors :
Khoshdel, V Mechanical Engineering Department - Ferdowsi University of Mashhad, Mashhad , Akbarzadeh, A Mechanical Engineering Department - Ferdowsi University of Mashhad, Mashhad
Issue Information :
دوفصلنامه با شماره پیاپی سال 2016
Abstract :
This paper presents an application of design of experiments techniques to determine the optimized parameters of artificial neural network (ANN), which are used to estimate force from Electromyogram (sEMG) signals. The accuracy of ANN model is highly dependent on the network parameters settings. There are plenty of algorithms that are used to obtain the optimal ANN setting. However, to the best of our knowledge they did not use regression analysis to model the effect of each parameter as well as present the percent contribution and significance level of the ANN parameters for force estimation. In this paper, sEMG experimental data are collected and the ANN parameters based on an orthogonal array design table are regulated to train the ANN. Taguchi help us to find the optimal parameters settings. Next, analysis of variance (ANOVA) technique is used to obtain significance level as well as contribution percentage of each parameter to optimize ANN’s modeling in human force estimation. The results indicated that design of experiments is a promising solution to estimate the human force from sEMG signals.
Farsi abstract :
اين مقاله يك كاربرد از تكنيك طراحي آزمايش (DOE) براي تعيين پارامترهاي بهينه سازي شده از مدل شبكه عصبي مصنوعي (ANN) را ارائه مي دهد، كه به منظور برآورد نيرو از الكتروميوگرام (SEMG) سيگنال استفاده مي شود. دقت و صحت مدل ANN به شدت به تنظيمات پارامتر شبكه وابسته است. الگوريتم هاي بسياري وجود دارند كه براي به دست آوردن تنظيمات بهينه ANN استفاده مي شوند. با اين حال، با تمام دانش ما، تاكنون هيچ تجزيه و تحليل رگرسيوني براي مدل كردن اثر هر پارامتر بطوريكه درصد سطح و سطح اهميت پارامترهاي ANN را براي برآورد نيرو ارائه كند، استفاده نشده است. در اين مقاله، داده هاي تجربي SEMG جمع آوري شده است، و پارامترهاي ANN بر اساس جدول طراحي ارايه متعامد براي آموزش مدل ANN تنظيم شده اند. روش تاگوچي براي پيدا كردن تنظيمات پارامترهاي بهينه به ما كمك مي كند. سپس روش تجزيه و تحليل واريانس (ANOVA) براي به دست آوردن سطح معني داري و همچنين درصد سهم هر يك از پارامترها به منظور بهينه سازي مدل سازي شبكه هاي عصبي مصنوعي در برآورد نيروي انساني استفاده مي شود. نتايج به دست آمده نشان ميدهد كه DoE يك راه حل اميدوار كننده براي برآورد نيروي انساني از سيگنال SEMG است.
Keywords :
Artificial neural network , Taguchi method , Analysis of variance , EMG signals
Journal title :
Astroparticle Physics
