ارزیابی طبقه بندی کننده های LDA و LS-SVM برای تفکیک 52 حرکت و وضعیت دست به منظور کاربرد در پروتزهای مبتنی بر فعالیت الکتریکی عضلات

طبقه بندی حرکت های اعضای دیستال با استفاده از سیگنال های الکترومایوگرام سطحی (sEMG) قسمت پروکسیمال، بخش مهمی در کنترل پروتزهای مایوالکتریک است. در بیشتر مطالعات قبلی، طبقه بندی تعداد محدودی از حرکت های دست مورد بررسی قرار گرفته است. در این مقاله، از پایگاه داده ی NINAPRO که شامل داده های کینماتیک و sEMG فرد سالم برای 52 حرکت انگشت، پنجه و مچ دست است استفاده کرده ایم. در این مطالعه، عملکرد طبقه بندی کننده های LDA و LS-SVM با کرنل RBF، به ازای ترکیب های مختلف ویژگی ها مورد بررسی قرار گرفته است. ابتدا با پنجره گذاری به دو شیوه ی مختلف، بخش اصلی سیگنال جدا شد و هشت ویژگی زمانی مختلف (MAV، IAV، RMS، WL، E، ER1، ER2، CC) از آن استخراج گردید. سپس عملکرد هر یک از طبقه بندی کننده ها با هر کدام از این ویژگی ها و ترکیب های دوتایی و چندتایی آن ها مورد بررسی قرار گرفت. برای طبقه بندی کننده ی LDA بهترین میانگین دقت طبقه بندی، با شیوه ی پنجره گذاری به روش اول و ترکیب ویژگی های MAV (or IAV)+CC، 84/23 درصد محاسبه شد. این دقت برای طبقه بندی کننده ی LS-SVM با شیوه ی پنجره گذاری به روش دوم و ویژگی های IAV+MAV+RMS+WL، به مقدار 85/19درصد رسید.