تشخيص حركات مچ دست از روي سيگنال الكترومايوگرام با استفاده از شبكه عصبي كانولوشنال

زمينه و هدف: با پيشرفت يادگيري عميق (Deep learning)، انقلاب بزرگي در هوش مصنوعي ايجاد شده كه بسياري از رشته ها را به شدت تحت تاثير خود قرار داده است. يادگيري عميق، پردازش داده هاي خام با ابعاد بالا (مانند سيگنال يا تصوير) را بدون نياز به مهندسي ويژگي (Feature engineering)، امكان پذير مي كند. هدف از اين پژوهش، توسعه يك سيستم بر پايه يادگيري عميق، براي تخمين اراده حركتي از روي سيگنال EMG مي باشد. روش بررسي: در اين مطالعه، يك سيستم مايوالكتريك (Myoelectric) بر پايه شبكه عصبي كانولوشنال (CNN) (كه يك مدل يادگيري عميق است)، به عنوان جايگزيني براي روش هاي معمول طبقه بندي (Classification) كه نيازمند به مهندسي ويژگي هستند، معرفي شده است. اين سيستم براي حركات انفرادي و تركيبي مچ دست، بر روي ده شخص سالم، مورد ارزيابي قرار گرفته شد. عملكرد روش پيشنهادي، با يك سيستم استاندارد برپايه Support vector machine (SVM) كه از ويژگي هاي حوزه زماني (Time domain, TD) استفاده مي كند، مقايسه گرديد. يافته ها: باوجود عملكرد ثابت شده و رواج بسيار بالاي ويژگي هاي TD، سيستم پيشنهادي به دقت طبقه بندي مشابهي (۰/۱۹=P) دست يافت. مزيت سيستم پيشنهادي در اين است كه نيازي به استخراج دستي و مهندسي ويژگي از سيگنال EMG وجود ندارد و CNN به صورت خودكار، ويژگي هاي مورد نياز را فراگرفته و از سيگنال استخراج مي كند. نتيجه گيري: اين يافته ها، توانايي بالاي CNN، براي يادگيري و استخراج اطلاعات غني و پيچيده از سيگنال هاي بيولوژيك را نشان مي دهد. CNN مي تواند اطلاعات زماني و فركانسي مورد نياز براي تخمين اراده حركتي را از روي سيگنال EMG فرا بگيرد.