استخراج ويژگي هاي بافتي طيف سيگنال هاي ماهيچه اي و به كارگيري ماشين بردار پشتيبان به منظور دسته بندي حركات فيزيكي

Using textural spectral feature extraction and support vector machine for EMG physical actions classification

سيگنال­ هاي الكتروميوگرافي(EMG) با استفاده از دستگاه استخراج سيگنال­ هاي ماهيچه­ اي (الكتروميوگراف) و به منظور تشخيص ميزان اختلاف پتانسيل به ­وجود آمده در اثر تحريك عصبي سلول­هاي ماهيچه ­اي جهت كاربردهاي گوناگون استخراج مي­ شوند. يك مرحله ­ي مهم در پردازش سيگنال­ هاي استخراج شده كه تأثير بسيار اساسي در عملكرد كلي سيستم­ هاي كنترل ماهيچه ­اي دارد استخراج ويژگي­هاي مؤثر از اين سيگنال­ ها است. در اين مقاله به منظور بهبود ويژگي­هاي زماني، فركانسي و زمان-فركانسي، روش­هاي استخراج خصوصيات بافت از تصاوير زمان-فركانس سيگنال با استفاده از توصيف­ گرهاي الگوي دودويي محلي (LBP) و ماتريس هم­ رخداد (GLCM) مورد بررسي قرار گرفته است. با تحليل بافت تصاوير طيف سيگنال ­هاي ماهيچه ­اي روابط بين فركانس ­هاي مختلف در زمان­ هاي مختلف استخراج مي­ شود. در نتيجه، روابط مابين اطلاعات زمان و فركانس به صورت توأمان به عنوان نماينده سيگنال در نظر گرفته خواهد شد. در اين تحقيق، جهت بررسي كارايي اين روش استخراج خصوصيات از پايگاه داده ­ي "سيگنال­هاي ماهيچه ­اي حركات فيزيكي"، استفاده شده است. همچنين، جهت دسته­ بندي بردارهاي ويژگي استخراج شده، ماشين بردار پشتيبان در دو حالت كلي و با تفكيك باندهاي فركانسي بكار گرفته شده­ است. در نتيجه­ ي آزمايشات، دقت دسته ­بندي 98/75% با استفاده از روش تفكيك باندهاي فركانسي حاصل شده است كه در مقايسه با نتايج به ­دست آمده از روش ­هاي قبلي دقيق­ تر است.

Electromyographs are used for electromyography signal extraction from neurologically activated muscle cells. These signals are investigated to extract discriminating patterns to be categorized in the classification stage of myoelectric control systems (MCSs) designed for various applications. Feature extraction is a fundamental step in EMG signal processing which affects the overall performance of MCSs. To improve classification accuracy of MCSs, this paper proposes a novel approach for feature extraction from time-frequency images of EMG signals using local binary patterns and gray level co-occurrence matrices. In contrast to time alone and frequency alone approaches, by textural analysis of EMG signal spectrogram, time-frequency patterns of these signals are revealed, simultaneously. Furthermore, LBP and GLCM expose relational properties of time-frequency patterns which areexploited as the main features for classification. EMG physical action dataset is utilized in this study to evaluate the proposed method. In the classification stage, support vector machine classifiers are used in two segmented and holistic modes. The best classification accuracy of 98.75% is obtained by segmented approach which is superior to the results provided by state of the art methods.