ارزيابي طبقه‌بندي كننده‌هاي LDA و LS-SVM براي تفكيك 52 حركت و وضعيت دست براي كاربرد در پروتزهاي مبتني بر فعّاليّت الكتريكي عضلات

Classification of 52 Hand Postures and Movements Using the LDA and LS-SVM Classifiers Applicable to Myoelectric Hand Prostheses

طبقه‌بندي حركت‌هاي اعضاي ديستال با استفاده از سيگنال‌هاي الكترومايوگرام سطحي (sEMG) قسمت پروكسيمال، بخش مهمي در كنترل پروتزهاي مايوالكتريك است. در بيش تر مطالعات قبلي، طبقه‌بندي تعداد محدودي از حركت‌هاي دست، مورد بررسي قرار گرفته است. در اين مقاله، از پايگاه داده‌ي NINAPRO كه شامل داده‌هاي كينماتيك و sEMG فرد سالم براي 52 حركت انگشت، پنجه و مچ دست است استفاده شد. عملكرد طبقه‌بندي كننده‌هاي LDA و LS-SVM با كرنل RBF، به ازاي تركيب‌هاي مختلف ويژگي‌ها بررسي شد. ابتدا با پنجره گذاري به دو شيوه‌ي مختلف، بخش اصلي سيگنال جدا شد و هشت ويژگي زماني مختلف (MAV، IAV، RMS، WL، E، ER1، ER2، CC) از آن استخراج گرديد. سپس، عملكرد هريك از طبقه‌بندي كننده‌ها با هركدام از اين ويژگي‌ها و تركيب‌هاي دوتايي و چندتايي آن‌ها بررسي شد. براي طبقه‌بندي كننده‌ي LDA بهترين ميانگين دقتِ طبقه‌بندي، با شيوه‌ي پنجره گذاري به روش اول و تركيب ويژگي‌هاي MAV (or IAV)+CC، 84/23 درصد محاسبه شد. اين دقت براي طبقه‌بندي كننده‌ي LS-SVM با شيوه‌ي پنجره گذاري به روش دوم و ويژگي‌هاي IAV+MAV+RMS+WL، به 85/19 درصد رسيد.

Classification of distal limb movements based on surface electromyography (sEMG) of proximal muscles is an important issue in the control of myoelectric hand prosthesis. In most of previous studies, classification of a limited number of hand motions is investigated. In this paper, we have used NINAPRO database containing kinematics and sEMG of upper limbs while performing 52 finger, hand and wrist movements. We evaluated performance of LDA and LS-SVM with RBF kernel classifiers using different combination of features. First by windowing the signal with two different methods, the major part of the signal was selected and eight various temporal features (MAV, IAV, RMS, WL, E, ER1, ER2, CC) were extracted. Then performance of each classifier with single, double and multiple combinations of features was evaluated. For LDA classifier, the best average classification accuracy of 84.23% was achived for first windowing method and MAV (or IAV)+CC features, The corresponding accuracy for LS-SVM classifier with second windowing method and IAV+MAV+RMS+WL features, was 85.19%.