تاثير روشهاي استخراج و انتخاب در دقت كلاس بندي سيگنال هاي الكتروميوگرافي مرتبط با دست

Impact of feature selection and extraction methods on classification accuracy for EMG based hand movements

تاثير روشهاي استخراج و انتخاب در دقت كلاس بندي سيگنال هاي الكتروميوگرافي مرتبط با دست سيگنال الكترو ميوگرافي نتايج حاصل از فعاليت عضلات اسكلتي است. در اين مطالعه سيگنال EMG به صورت غيرتهاجمي ازسطح پوست به وسيله قراردادن الكترودها روي پوست عضله مشخص (EMG مسطح - SEMG) خوانده مي شود. هدف اصلي اين مقاله استفاده از روش هاي مختلف انتخاب و استخراج ويژگي بر روي SEMG هاي اندازه گيري شده از چهار عضله دست; Extensor carpi radialis superficialis, Palmaris longus, Pronator quadratus and Flexor digitorum براي هدايت دست مصنوعي است. SEMG براي پنج حركت دست؛ بستن انگشت ، بستن مچ ، چرخش به داخل مچ ، چرخش به خارج مچ به دست آمده است. از هر عضله (كانال) ، حداكثر مقدار قدرت ، ميانگين فركانس به دست آمده با تبديل گسسته فوريه به عنوان ويژگي ها استفاده مي شود. ويژگي ها از تقسيم بندي 0.512 ، 0.256 ، 0.128 محاسبه شده است. تركيبي از اين ويژگي ها با ماشين بردار طبقه بندي شده است. در ميان تركيب ويژگي ها ( مقدار Peak ، فركانس متوسط ، مقدار Peak ، فركانس متوسط ) محاسبه شده از s0.512 قطعه بهترين عملكرد با طبقه بندي SVM را فراهم مي كند. در اين مقاله سيگنال ها از دست دو خانم و يك آقا گرفته شده است. نتايج كلاس بندي بين ديتاهاي دو فرد مختلف كمتر از 50% بدست آمد. متوسط دقت طبقه بندي براي ديتاهاي دست راست 90.37% بدست آمد در حاليكه اين طبقه بندي براي ديتاهاي دست چپ 92.83% بدست آمد. نكته جالب توجه اينكه دقت طبقه بندي بين ديتاهاي دست راست و دست چپ 71.49% بدست آمد.

Electromyography (EMG) signals are outcomes of skeletal muscle activities. In this study EMG signal is read non-invasively from the skin surface by placing electrodes on the skin of specified muscle (surface EMG - SEMG). The main aim of this paper is to apply various feature selection and extraction methods on SEMGs measured from four hand muscles; Extensor carpi radialis, Palmaris longus, Pronator quadratus and Flexor digitorum superficialis to navigate a prosthetic hand. The SEMGs for five hand movements; finger flexion, wrist flexion, wrist extension, pronation, supination have been acquired. From each muscle (channel), peak value of the envelope, the mean frequency obtained with discrete Fourier transform are employed as features. The features have been computed from the whole 0.512, 0.256, 0.128 second segment and halves of the segment. The different combination of these features has been classified with support vector machine. Among the feature combinations(Peak value, Mean frequency, Peak value, Mean frequency) computed from the halves of 0.512s slice provides the best performance with SVM classifier. Two females and one male attended to experiment. Intra subject classification has been poor (less than 50% in average). The right-hand classification average was 90.37%, while the left-hand categorization average was 92.83%. Interestingly, the left-hand versus right-hand and the right-hand versus left-hand classification success was obtained 71.49%.