استفاده از الگوریتم ژنتیک جهت تعیین کانال های بهینه و ویژگی های بهینه در طبقه بندی حرکات پایه دست به کمک سیگنال الکترومایوگرافی

شناسایی استراتژی عضلات برای استفاده در سیستم های کنترلی مبتنی بر الکترومایوگرافی (EMG) بسیار مهم است. یکی از این سیستمهای کنترلی پروتزهای دست با سیستم مایوالکتریک است. در این گزارش پس از بررسی کلیات الکترومایوگرافی در صدد یافتن راهی برایکنترل بهینه پروتزهای دست هستیم. بدین ترتیب که ما باید بتوانیم با آموزش یک سری از الگوهای دارای تگ به سیستم آموزش سیستم راانجام داده و سپس سیستم با دریافت الگوهای بدون تگ بتواند با درصد قابل قبولی شناسایی حرکت را انجام دهد. در این مسیر سعی شدهاست که با استفاده از الگوریتم ژنتیک تعداد ویژگی های مورد استفاده به حداقل برسد و نهایتا ویژگی های فرکانس میانه MDF فرکانس متوسط MNF، نسبت فرکانسی FR، میانگین مطلق MAV، پنجره چندگانه MTW، طول شکل موج WL، مدل خودکار رگرسیون AR انتخاب گردید و در کنار آن با استفاده از مفهوم شبکه عصبی مصنوعی داده ها با صحت بالایی تفکیک گردند به گونه ای که صحت کلی شبکه مقدار 96,7 درصد برای تمامی کلاس ها بوده است. با توجه به جانمایی الکترودها در دو طرف عضلات به گونه ای که دو الکترودثبت سیگنال در سمت راست مرکز عضله و دو الکترود کانال دوم در سمت چپ مرکز عضله مذکور قرار گرفته بود.

کلیدواژه ها:

الکترومایوگرافی ، حرکات اساسی دست ، طبقه بندی ، الگوریتم ژنتیک ، شبکه عصبی