22914

پيش بيني و تشخيص حركت دست باكمك پردازش سيگنال EMG

كارشناسي ارشد

بيومكانيك

1396

1399/6/30

دكتر برهان بيگزاده - دكتر سياوش كاظمي راد

مكانيك

الكترومايوگرافي (EMG) مطالعه ي تحليلي فعاليت الكتريكي توليدشده به‌وسيله‌ي ماهيچه هاي اسكلتي مي باشد و نمونه اي از تعامل مدرن انسان و كامپيوتر است كه مي تواند درزمينه‌ي پزشكي و مهندسي مورداستفاده قرار گيرد. سيگنال EMG مي تواند براي اندازه¬گيري فعاليت الكتريكي توليدشده توسط ماهيچه هاي اسكلتي تعريف شود و براي به‌كارگيري وسايل و پروتزهاي الكتريكي استفاده گردد. هدف اين پروژه تشخيص حركت دست براي2 حركت مشت كردن دست و باز كردن انگشت اشاره و 2 حركت نمايش عدد 4 و گرفتن جسم كوچك با دو انگشت شست و اشاره به‌صورت جداگانه به‌وسيله‌ي 4 جفت الكترود سطحي الكترومايوگرافي بوده و تعداد آزمودني هاي اين روش 16 نفر (7 زن و 9 مرد) در بازه¬ي سني 23-29 سال بوده است. پس از داده برداري، فيلتر كردن سيگنال و استخراج ويژگي هاي موردنظر براي تشخيص حركت، نتايج به‌دست‌آمده به كمك روش ماشين بردار پشتيبان (SVM) و روش كي-نزديك ترين همسايه (KNN) دسته بندي شده است، كه نتايج اين روش نشان مي¬دهد كه با سه ويژگي استخراج شده از سيگنال مي توان تا بيش از 97 درصد، حركت ها را تنها با يك كانال به‌درستي پيش بيني كرد. تشخيص ژست حركت با استفاده از سيگنال EMG با قابليت اطمينان و رتبه¬بندي بيشتر، مي تواند هدف خوبي براي به‌كارگيري پروتز و ارائه ي كيفيت خوب زندگي براي افراد معلول و ناتوان باشد.

1399/09/17

Hand Gestures Recognition Using Electromyography

9/21/2021 12:00:00 AM

Electromyography (EMG) signal measures and records the electrical activity that produced by skeletal muscles. Various biomedical signals (biosignals) like EMG can be used for the neural linkage with computers, which can be obtained from a specialized tissue, organ, or cell system like the nervous system. Surface electromyography (sEMG) is a non-invasive method that can be used as effective system for the control of upper arm prostheses. In this paper, we have worked on recognizing the 4 classes of individual finger movement that we examined them separately in pairs, captured using 4 channel EMG sensors. We have used two different classification techniques such as support vector machine (SVM), and k- nearest neighbors (KNN), to classify the test samples. Three time-domain features a) Mean absolute value, b) Maximum, c) Minimum are used to classify gestures. Classification accuracy has been selected as a metric to evaluate the performance of each classifier.