بازشناسي ژست‌ها و حالت‌هاي حركتي دست در سيگنال‌هاي الكترومايوگرام با استفاده از روش هم‌جوشي نرم در انتخاب ويژگي و طبقه‌بندي كننده‌ي بهينه

Hand Gesture and Movement Recognition based on Electromyogram Signals using Soft Ensembling Feature Selection and Optimized Classifier

در پروتزهاي مدرن، طبقه­ بندي سيگنال­هاي الكترومايوگرام سطحي (sEMG) تا حد زيادي بر كنترل مطلوب عضلات اثر دارد. اگر چه اين سيگنال­ها در تشخيص بيماري­هاي عصبي-عضلاني، كنترل دستگاه‌هاي پروتز و تشخيص حالات دست مفيد هستند، بازشناسي غيرمقاوم آن‌ها مي­تواند باعث بروز عارضه­هاي مختلف حركتي شود. در اين مقاله با هدف ايجاد رويكردي بهينه در طبقه­بندي سيگنال­هاي الكترومايوگرام سطحي در تشخيص نوع حركت و نيز شناسايي ژست دست، مدلي جديد طراحي شده است كه مي­تواند در تشخيص بيماري­هاي عصبي-عضلاني، تعيين نوع درمان و فيزيوتراپي مورد استفاده قرار گيرد. با در نظر گرفتن چالش­هاي موجود در شناسايي كلاس­هاي حركتي دست، روش پيشنهادي از سه گام تشكيل شده است. در گام اول قاب­بندي و استخراج ويژگي از سيگنال توسط توصيف‌گرهاي حوزه‌ي زمان-فركانس و بعد فراكتال انجام شده، در مرحله‌ي دوم انتخاب ويژگي­ با استفاده از يك روش جديد هم­جوشي نرم سه رويكرد آزمون-T، آنتروپي و پيچش عام صورت گرفته و در گام سوم طبقه­بندي حالات حركتي و ژست دست با تكيه بر بهينه­سازي پارامترهاي كرنل ماشين بردار پشتيبان توسط الگوريتم حركت كاتوره­اي گاز انجام شده است. دو مجموعه‌ي داده‌ي UC2018 DualMyo و UCI جهت ارزيابي روش پيشنهادي در نظر گرفته شده كه از داده‌ي نخست براي دسته­بندي 8 ژست حركتي و از داده‌ي دوم براي طبقه­بندي 6 نوع حالت حركت استفاده شده است. عمل‌كرد راه‌كار پيشنهادي با ميانگين صحت بالاي 98% در هر دو مجموعه‌ي داده رضايت­بخش مي‌باشد. برخلاف رويكردهاي مشابه كه در آن‌ها طبقه‌بندي در تعداد طبقه­هاي محدود و با سطح خطاي بالا اجرا شده، روش پيشنهادي از دقت، ثبات و اعتمادپذيري قابل قبولي برخوردار است. به كارگيري اين روش در طراحي پروتزهاي دست موثر بوده و مي‌تواند در كاربردهاي توان­بخشي و فرايندهاي تشخيص باليني نيز تاثيرگذار باشد.

In modern prostheses, accurate processing of surface electromyogram (sEMG) signals has a significant effect on optimal muscle control. Although these signals are useful for diagnosing neuromuscular diseases, controlling prosthetic devices and detecting hand movements, non-robustness of EMG signal-based recognition will give rise to various movement disorders. In this paper, we present an optimal approach to classify EMG signals for hand gesture and movement recognition, whose purpose is to be used as an efficient method of diagnosing neuromuscular diseases, determining the type of treatment and physiotherapy. The main assumption of this study is to improve the accuracy of recognition and therefore, we proposed a novel hand gesture and movement recognition model consists of three steps: (1) EMG signal features extraction based on time-frequency domain and fractal dimension features; (2) feature selection by soft ensembling of three procedures in which includes two sample T-tests, entropy and common wrapper feature reduction, and (3) classification based on kernel parameters optimization of SVM classifier by using Gases Brownian Motion Optimization (GBMO) algorithm. Two UC2018 DualMyo and UCI datasets have been considered to evaluate the proposed model. The first dataset is used to classify eight hand gestures and the second dataset is employed for the classification of six types of movement. The experiment results and statistical tests reveal that the designed approach has desirable performance with an average accuracy of above 98% in both datasets. Contrary to similar methods that perform classifications in finite classes with high error rates, the integrated method has satisfactory accuracy, robustness and reliability. Not only the proposed method contributes to the design of prostheses, but also provides effective outcomes for rehabilitation applications and clinical diagnosis processes.