تشخيص سه نوع حركت مشابه دست با استفاده از سيگنال الكترو مايوگرام سطحي به منظور افزايش دقت حركت پروتز دست مصنوعي

Detection of three similar type of hand movement using surface electromyogram signal for improve precision of artificial hand prosthesis movement

سيگنالهاي الكترومايوگرام به طور گسترده اي در كنترل پروتز هاي مصنوعي دست انسان به كار برده مي شوند و عدم توانايي تشخيص دقيق نوع حركت اراده شده، از مشكلات اساسي اين نوع پروتز ها است. از اين رو در اين مقاله سيگنالهاي الكترومايوگرام از عضلات ساعد دست 12 فرد مختلف ثبت شده و به منظور تشخيص سه نوع حركت مشابه دست به كار رفته است. براي داده هاي ثبت شده روش هاي مختلف پيش پردازش انجام شد. سپس ويژگي هاي زماني و فركانسي و زمان-فركانس از هر داده استخراج شدند. نوآوري اين مقاله بررسي حركات بسيار شبيه به هم و استفاده از ماشين بردار پشتيبان بهينه براي طبقه بندي اين حركات است كه اين سه نوع حركت مشابه را با ميزان صحت 75% از يك ديگر تفكيك مي كند. براي بررسي ميزان اعتبار روش پيشنهادي دسته ديگري از داده ها براي حركات با شباهت كمتر نسبت به هم ثبت شدند تا بتوانيم نتايح حاصل را با مقالات مشابه مقايسه نماييم. اين روش حركت هاي دسته دوم داده ها را با دقت 96 % تفكيك مي نمايد.

Electromyogram signals are widely used in the control of artificial human hand prosthesis and the inability to accurately detect the type of voluntary movement is one of the main problems of this prosthesis, In this paper different Electromyogram signals from the forearm muscles of 12 people are recorded and used in order to identify three different type of hand movement. For recorded data, different preprocessing methods are used. Then the time features, frequency features and time-frequency features were extracted from each data. The innovation of this paper is to study very similar movements and using Optimize SVM to classify these movements. These three similar types of movements were separated with an optimize support vector machine by a precision of 75%. To check the validity of the proposed method, other data set for different movements with less similarity were recorded. So we can compare the results with similar articles. The algorithm distinguishes different type of hand movements with a precision of 96%.