تشخیص حرکات مچ دست از روی سیگنال الکترومایوگرام با استفاده از شبکه عصبی کانولوشنال

با پیشرفت یادگیری عمیق (Deep learning)، انقلاب بزرگی در هوش مصنوعی ایجاد شده که بسیاری از رشته ها را به شدت تحت تاثیر خود قرار داده است. یادگیری عمیق، پردازش داده های خام با ابعاد بالا (مانند سیگنال یا تصویر) را بدون نیاز به مهندسی ویژگی (Feature engineering)، امکان پذیر می کند. هدف از این پژوهش، توسعه یک سیستم بر پایه یادگیری عمیق، برای تخمین اراده حرکتی از روی سیگنال EMG می باشد.

در این مطالعه، یک سیستم مایوالکتریک (Myoelectric) بر پایه شبکه عصبی کانولوشنال (CNN) (که یک مدل یادگیری عمیق است)، به عنوان جایگزینی برای روش های معمول طبقه بندی (Classification) که نیازمند به مهندسی ویژگی هستند، معرفی شده است. این سیستم برای حرکات انفرادی و ترکیبی مچ دست، بر روی ده شخص سالم، مورد ارزیابی قرار گرفته شد. عملکرد روش پیشنهادی، با یک سیستم استاندارد برپایه Support vector machine (SVM) که از ویژگی های حوزه زمانی (Time domain, TD) استفاده می کند، مقایسه گردید.

 باوجود عملکرد ثابت شده و رواج بسیار بالای ویژگی های TD، سیستم پیشنهادی به دقت طبقه بندی مشابهی (0/19P=) دست یافت. مزیت سیستم پیشنهادی در این است که نیازی به استخراج دستی و مهندسی ویژگی از سیگنال EMG وجود ندارد و CNN به صورت خودکار، ویژگی های مورد نیاز را فراگرفته و از سیگنال استخراج می کند.

 این یافته ها، توانایی بالای CNN، برای یادگیری و استخراج اطلاعات غنی و پیچیده از سیگنال های بیولوژیک را نشان می دهد. CNN می تواند اطلاعات زمانی و فرکانسی مورد نیاز برای تخمین اراده حرکتی را از روی سیگنال EMG فرا بگیرد.