استفاده از روش LDA و مدل كلاس بندي Neural Pattern Recognition براي دسته بندي حركات انگشتان دست در سيگنال هاي الگتروميوگرافي

estefade az revesh lde ve model kelas bendy Neural Pattern Recognition beraye deste bendy herekat engoshtan dest der signal haye electromugrafy

كاربرد سيگنال هاي الكتروميوگرافي در كنترل ماهيچه هاي بدن مي باشد لذا از سيگنال هاي الكتروميوگرافي مي توان براي كنترل سيستم هاي الكترونيكي و ساير ابزار ها استفاده كرد . براي اينكه اين سيگنال ها را اناليز و تجزيه و تحليل كرد لازم است ويژگي هاي سيگنال هاي دريافتي استخراج شود از جمله اين ويژگي ها مي توان به مقدار RMS - ZC - MVA اشاره نمود. براي اينكه بتوان تجزيه و تحليل كرد كه كدام يك از ويژگي ها مربوط به كدام عملكرد است لذا لازم است ويژگي ها را دسته بندي كرد براي دسته بندي ويژگي ها روش هاي مختلفي وجود دارد . لازم توجه است كه اگر تعداد نمونه ها در هر ويژگي زياد باشد درصد خطا در دسته بندي ديتا ها نيز بالا مي باشد و اين امر در تفتيك سيگنال هاي ماهيچه هاي ساعد دست براي كنترل عملكرد انگشتان دست نمايانگر است. در مقالاتي كه قبلا منتشر شده است براي تفتيك عملكرد هاي سيگنال هاي الگتروميوگرافي انجام شده است مي توان به كلاس بندي با نمودار درختي و SVM و شبكه هاي عصبي اشاره نمود كه هر كدام به دليل اينكه داراي خطاهايي در كلاس بندي مي باشند و يا روش هايي مورد استفاده قرار گرفته است كه زمان پردازش و آناليز را افزايش داده اند. لذا براي اين كه مقدار خطا در كلاس بندي ديتا ها كاهش يابد تغييراتي را در جهت و محل قرار گيري و پراكندگي و تجمع ديتا هاي هر عملكرد در يك منطقه از صفحه نمايش و كاهش بعد انجام مي دهيم تا كلاس بندي راحتر انجام شود و درصد خطا نيز كاهش يابد. در اين مقاله روشي براي جداسازي و تفكيك سيگنال هاي الكتروميوگرافي ماهيچه هاي ساعد براي كنترل حركت انگشتان دست با تركيب دو مدل كاهش بعد و كلاس بندي ارائه شده است. از جمله قابليت هاي اين روش مي توان به كاهش تعداد ورودي ها, كاهش خطا در پردازش, كاهش زمان پردازش در بخش كلاس بندي, انتقال ديتا ها از سه بعد به دو بعد با افزايش ضريب تفتيك پذيري اشاره نمود. اين روش در ساخت دست رباتيك با استفاده از سيگنال هاي الگتروميوگرافي مورد استفاده قرار گرفته است و نتايج خوبي را ارائه داده است.

فف