آفرین ناظمی - دانشگاه سمنان، دانشکدهی مهندسی برق و کامپیوتر
علی مالکی - دانشگاه سمنان، دانشکدهی مهندسی برق و کامپیوتر

طبقهبندی حرکتهای اعضای دیستال با استفاده از سیگنالهای الکترومایوگرام سطحیsEMG قسمت پروکسیمال،بخش مهمی در کنترل پروتزهای مایوالکتریک است. در بیشتر مطالعات قبلی، طبقهبندی تعداد محدودی از حرکتهای دست موردبررسی قرار گرفته است. در این مقاله، از پایگاه دادهیNINAPROکه شامل دادههای کینماتیک وsEMGفرد سالم برای 52 حرکت انگشت، پنجه و مچ دست است استفاده کردهایم. در این مطالعه، انتخاب ویژگیهای مناسب برای طبقهبندیکنندهیLS-SVMبا کرنلRBFمورد توجه قرار گرفته است. با توجه به ویژگیهای این طبقهبندی کننده، تلاش شده است ویژگیها دارای حجم محاسباتی نسبتا کم باشند و تعداد ویژگیها نیز اندک باشد. بدینمنظور، ابتدا با پنجرهگذاری به دو شیوهی مختلف، بخش اصلی الکترومایوگرام جدا شد و 8 ویژگی زمانی مختلف از آن استخراج گردید. سپس عملکرد طبقهبندی کنندهیLS-SVMبا هر کدام از این ویژگیها وترکیبات چندتایی آنها مورد بررسی قرار گرفت. بهترین طبقهبندی برای حالت تک ویژگی و ترکیب چندتایی ویژگیها مربوط به IAVبا پنجرهگذاری به روش اول وMAV+IAV+RMS+WLبا پنجرهگذاری به روش دوم بود که به ترتیب دارای دقت طبقهبندی 83/57و85/19درصد میباشند.

استخراج فرمانهای حرکتی، پروتز دست، سیگنال الکترومایوگرام سطحی، طبقهبندی کنندهی.LS-SVM