دسته‌بندي بي‌درنگ سيگنال الكترومايوگرام سطحي با استفاده از كورنتروپي

Real-Time Classification of Surface Electromyogram Signal using Correntropy

در اين مقاله با استفاده از كورنتروپي، روشي موثر براي دسته‌بندي سيگنال الكترومايوگرام سطحي به منظور كنترل پروتزهاي مايوالكتريك ارايه شده است. چون سيگنال الكترومايوگرام سطحي در دامنه‌هاي پايين نيرو ماهيتي غيرگوسي دارد درحالي‌كه اغتشاش محيط گوسي فرض مي‌شود، از كورنتروپي براي استخراج ويژگي از اين سيگنال استفاده مي‌كنيم؛ زيرا كورنتروپي تنها دربرگيرنده اطلاعات مربوط به مولفه‌هاي غيرگوسي است و تخمين آن از نمونه‌هاي محدود بسيار ساده است. سپس با به‌كارگيري ويژگي‌هاي استخراج شده، از طبقه‌بندي كننده آناليز تفكيك خطي براي دسته‌بندي سيگنال الكترومايوگرام سطحي استفاده مي‌كنيم. نتايج به‌دست آمده با استفاده از روش پيشنهادي اين مقاله، در مقايسه با نتايج ساير روش‌هاي پيشرفته شناسايي الگوي سيگنال الكترومايوگرام سطحي هم بهبود يافته و هم محاسبات كمتري دارد.

In this paper, we propose a novel approach for classification of surface electromyogram (sEMG) signal with a view to controlling myoelectric prosthetic devices. The sEMG signal generated during isometric contraction is modeled by a stochastic process whose probability density function (PDF) is non-Gaussian for low levels of applied force. Since the PDF of ambient noise is assumed to be Gaussian, we extract correntropy features, as they contain information on non-Gaussian components (the sEMG signal) only; and utilize the linear discriminant analysis (LDA) to classify the sEMG signal using correntropy features. Our proposed method has lower classification error and requires much less computations as compared to other existing advanced methods.