ارزیابی روش های تجزیه سیگنال الکترومیوگرام سطحی در طراحی سیستم تشخیص حرکت‌های دست

روش‌های هوشمند در صنعت برق

مقاله 5، دوره 15، شماره 59، آذر 1403، صفحه 81-94   

نوع مقاله: مقاله پژوهشی

نویسندگان

مریم کرمی¹؛ مهدی خضری^{* 2}

¹دانشکده مهندسی برق- واحد نجف‌آباد، دانشگاه آزاد اسلامی، نجف‌آباد، ایران

²مرکز تحقیقات پردازش دیجیتال و بینایی ماشین- واحد نجف‌آباد، دانشگاه آزاد اسلامی، نجف‌آباد، ایران

چکیده

یک روش‌ برای تعیین فرمان‌های حرکتی برای کنترل پروتزهای دست، استفاده از الگوهای سیگنال‌ الکترومایوگرام سطحی (sEMG) است. با توجه به ماهیت تصادفی و غیرایستای سیگنال­، ایده استفاده از اطلاعات سیگنال در بازه­های زمانی کوچک مورد بررسی قرار گرفت. در این مطالعه با هدف تشخیص دقیق­تر و سریع­تر حرکت­های دست، دو روش­ تجزیه سیگنال شامل تبدیل موجک گسسته (DWT) و تجزیه مد تجربی (EMD) ارزیابی شده­اند. سیگنال‌های مجموعه ‌داده نیناپرو DB1 که از 27 فرد سالم در حین انجام حرکت­های دست و انگشتان استخراج شده­اند، برای طراحی سیستم به­کار رفته است. ویژگی­های زمانی ساده با قابلیت محاسبه سریع برای هر زیرباند از سیگنال­های تجزیه شده به­کار گرفته شدند. همچنین ماشین بردار پشتیبان (SVM) با استفاده از توابع کرنل مختلف به­عنوان طبقه­بندی­کننده مورد استفاده قرار گرفت. نتایج به­دست آمده نشان می­دهد، استفاده از روش­های تبدیل موجک گسسته و تجزیه مد تجربی با قابلیت دسترسی به اطلاعات زیربازه­های زمانی و فرکانسی سیگنال­ها، نتایج بهتری در شناسایی حرکت­های دست در مقایسه با مطالعات گذشته ارایه می­کند. با روش تجزیه مد تجربی و تعداد هشت تابع مد ذاتی، بالاترین دقت تشخیص با مقدار 3/83 درصد برای شش حرکت به‌دست آمد. همچنین روش تبدیل موجک گسسته با موجک مادر بای­ارتوگونال 5/5 در پنج سطح تجزیه، دقت تشخیص 80 درصد را برای ده حرکت و با موجک مادر کویفلت 2 در شش سطح تجزیه، دقت 33/83 درصد را برای شناسایی هشت حرکت کسب کرد. نتایج به­دست آمده عملکرد بهتر روش تجزیه موجک در مقایسه با تجزیه مد تجربی را برای طراحی سیستم شناسایی حرکت­های دست با استفاده از الگوهای سیگنال الکترومایوگرام سطحی نشان می­دهد.

کلیدواژه‌ها

تجزیه موجک؛ تجزیه مد تجربی؛ دست مصنوعی؛ سیگنال الکترومیوگرام سطحی؛ ماشین بردار پشتیبان

سایر فایل های مرتبط با مقاله

1816-Extended Abstract.pdf

مراجع

[1] M. Khezri, M. Jahed, "An inventive quadratic time-frequency scheme based on wigner-ville distribution for classification of sEMG signals", Proceeding of the IEEE/TTAB, pp. 261-264, Tokyo, Japan, Nov. 2007 (doi: 10.1109/ITAB.2007.4407397).

[2] S. Mao, J. Li, A. Guo, T. Zhao, J. Zhang, "An active multielectrode array for collecting surface electromyogram signals using a-IGZO TFT technology on polyimide substrate", IEEE Trans. on Electron Devices, vol. 67, no. 4, pp. 1613-1618, April 2020 (doi: 10.1109/TED.2020.2974971).

[3] R. Chowdhury, M. Raez, M. Ali, A. Bakar, K. Chellappan, T. Chang, "Surface electromyography signal processing and classification techniques", Sensors, vol. 13, no. 9, pp. 12431–12466, Sept. 2013 (doi: 10.33­90/­s130912431). 

[4] N. Behzadfar, “A brief overview on analysis and feature extraction of electroencephalogram signals”, Signal Processing and Renewable Energy, vol. 6, no. 1, pp. 39-64, March 2022 (dor: 20.1001.1.258873­27.20­22.6­.1.­3­.9).

[5] J. Lopes, M. Simão, N. Mendes, M. Safeea, J. Afonso, P. Neto, "Hand/arm gesture segmentation by motion using IMU and EMG sensing", Procedia Manufacturing, vol. 11, pp. 107–113, Sept. 2017 (doi: 10.101­6/j.pro­mfg.2017.07.158).

[6] M. Tavakoli, C. Benussi, P. Alhais Lopes, L. B. Osorio, A.T. Almeida, "Robust hand gesture recognition with a double channel surface EMG wearable armband and SVM classifier", Biomedical Signal Processing and Control, vol. 46, pp. 121–130, Sept. 2018 (doi: 10.1016/j.bspc.2018.07.010).

[7] F. Duan, L. Dai, "Recognizing the gradual changes in sEMG characteristics based on incremental learning of wavelet neural network ensemble", IEEE Trans. on Industrial Electronics, vol. 64, no. 5, pp. 4276–4286, May 2017 (doi: 10.1109/TIE.2016.2593693).

[8] A. Islam, M.S. Alam, "Classification of electromyography signals using support vector machine", Dujase, vol. 4, no. 1, pp. 45–52, Jan. 2017.

[9] A.D. Bellingegni, E. Gruppioni, G. Colazzo, A. Davalli, R. Sacchetti, E. Guglielmelli, Loredana Zollo, "NLR, MLP, SVM, and LDA: A comparative analysis on EMG data from people with trans-radial amputation", Journal of Neuroengineering and Rehabilitation, vol. 14, no. 82, Aug. 2017 (doi: 10.1186/s12984-017-0290-6).

[10] Y. Li, Q. Zhang, N. Zeng, J. Chen, Q. Zhang, "Discrete hand motion intention decoding based on transient myoelectric signals", IEEE Access, vol. 7, no. 1, pp. 81630–81639, June 2019 (doi: 10.1109/ACCESS.2­019­.2923455).

[11] S. Shen, K. Gu, X.-R. Chen, M. Yang, "Movements classification of multi-channel sEMG based on CNN and stacking ensemble learning", IEEE Access, vol. 7, pp. 137489–137500, Sept. 2019 (doi: 10.1109/ACCES­S.2­0­19.2941977).

[12] J.E. Lara, L.K. Cheng, O. Röhrle, N. Paskaranandavadivel, "Muscle-specific high-density electromyography arrays for hand gesture classification", IEEE Trans. on Biomedical Engineering, vol. 69, no. 5, pp. 1758-1766, May 2022 (doi: 10.1109/TBME.2021.3131297).

[13] F.S. Botros, A. Phinyomark, E.J. Scheme, "Electromyography-based gesture recognition: is it time to change focus from the forearm to the wrist?", IEEE Trans. on Industrial Informatics, vol. 18, no. 1, pp. 174-184, Jan. 2022 (doi: 10.1109/TII.2020.3041618).

[14] M. Atzori, A. Gijsberts, S. Heynen, A. G. M. Hager, O. Deriaz, P. V. D. Smagt, C. Castellini, B. Caputo, H. Müller, "Building the ninapro database: A resource for the biorobotics community", Proceeding of the IEEE/RAS-EMBS, pp. 1258–1265, Rome, Italy, June 2012 (doi: 10.1109/BioRob.2012.6290287).

[15] J. Kevric, A. Subasi, "Comparison of signal decomposition methods in classification of EEG signals for motor-imagery BCI system", Biomedical Signal Processing and Control, vol. 31, pp.398-406, Jan. 2017 (doi: 10.1016/j.bspc.2016.09.007).

[16] L. Chmelka, J. Kozumplik, "Wavelet-based wiener filter for electrocardiogram signal denoising", Proceeding of the IEEE/CIC, pp. 771–774, Lyon, France, Feb. 2005 (doi: 10.1109/CIC.2005.1588218).

[17] M.S. Chaudhary, R.K. Kapoor, A.K. Sharma, "Comparison between different wavelet transforms and thresholding techniques for ECG denoising", Proceeding of the IEEE/ICAETR, pp. 1–6, Unnao, India, Aug. 2014 (doi: 10.1109/ICAETR.2014.7012899).

[18] B.E. Boser, I. Guyon, "A training algorithm for optimal margin classifiers", Proceeding of the AWCLT, pp. 144–152, Pittsburgh Pennsylvania, USA, July 1992 (doi: 10.1145/130385.130401).

[19] S. Karimi-Shahraki, M. Khezri, "Identification of attention deficit Hyperactivity disorder patients using wavelet-based features of EEG signals", Journal of Intelligent Procedures in Electrical Technology, vol. 12, no. 47, pp. 1-11, December 2021 (in Persian) (dor: 20.1001.1.23223871.1400.12.3.1.1)

[20] G. Mardanian, N. Behzadfar, "A new method for detection of breast cancer in mammography images using a firefly algorithm", Journal of Intelligent Procedures in Electrical Technology, vol. 10, no. 40, pp. 23-32, March 2020 (in Persian) (dor: 20.1001.1.23223871.1398.10.40.3.3).

[21]M. Dorvashi, N. Behzadfar, G. Shahgholian, “Classification of alcoholic and non-alcoholic individuals based on frequency and non-frequency features of electroencephalogram signal”, Journal Iranian Journal of Biomedical Engineering, vol. 14, no. 2, pp. 121-130, July 2020 (doi: 10.22041/ijbme.2020.119841.1551).

[22] M. Atzori, A. Gijsberts, H. Muller, B. Caputo, "Classification of hand movements in amputated subjects by sEMG and accelerometers", Proceeding of the IEEE/ Engineering in Medicine and Biology Society, pp. 3545–3549, Chicago, Aug. 2014 (doi: 10.1109/EMBC.2014.6944388).

[23] M. Atzori, A. Gijsberts, C. Castellini, B. Caputo, A.G.M. Hager, S. Elsig, G. Giatsidis, F. Bassetto, H. Müller, "Electromyography data for non-invasive naturally-controlled robotic hand prostheses", Scientific Data, vol. 1, no. 1, pp. 1–13, Dec. 2014 (doi: 10.1038/sdata.2014.53).