• شماره ركورد
    19029
  • شماره راهنما(اين فيلد مربوط به كارشناس ميباشد لطفا آن را خالي بگذاريد)
    ۱۹۰۲۹
  • پديد آورنده

    محمد امين نيك منش

  • عنوان
    پيش بيني حركت دست به وسيله تحليل سيگنال هاي حياتي
  • مقطع تحصيلي
    كارشناسي ارشد
  • رشته تحصيلي
    مهندسي پزشكي - بيومكانيك
  • سال تحصيل
    ۱۳۹۴
  • تاريخ دفاع
    ۱۳۹۷/۱/۲۷
  • استاد راهنما
    دكتر برهان بيگ زاده
  • دانشكده
    مكانيك
  • چكيده
    تشخيص و پيش‌بيني حركت دست براي ساخت و ارتقاء پروتزها يك امر حياتي است، پس از كشف تأخير زماني در سال 1979 پژوهش‌ها به سمت وارد نمودن تأخير زماني در محاسبات پيش رفت. سيگنال الكترومايوگرافي يك روش ارزان و در دسترس بوده كه با استفاده از اين سيگنال در پروتزهايي كه براي افراد قطع عضو شده استفاده مي‌شود، مي‌توان اين افراد را دوباره توانمند كرد. هدف اين پروژه پيش‌بيني حركت دست براي سه حركت باز كردن انگشتان نسبت به هم، مشت كردن و گرفتن جسمي با دو انگشت شست و اشاره به‌وسيله 2 جفت الكترود الكترومايوگرافي بوده است. تعداد آزمودني‌ها در اين آزمايش 15 نفر (5 زن و 10 مرد) در بازه سني 18 تا 25 سال بوده‌اند. پس از داده‌برداري، فيلتر كردن سيگنال و استخراج ويژگي‌هاي موردنظر براي پيش‌بيني حركت، نتايج به‌دست‌آمده به كمك سه روش شروط، الگوريتم ژنتيك و شبكه عصبي وزن‌دار KNN دسته‌بندي‌شده است. نتايج اين روش نشان مي‌دهد كه با 4 ويژگي استخراج‌شده از سيگنال مي‌توان تا 90 درصد حركت‌ها را به‌درستي پيش‌بيني كرد. ويژگي‌هاي مورداستفاده براي پيش‌بيني حركت، ميانگين سيگنال و ماكزيمم سيگنال در حوزه زمان مي‌باشد.
  • تاريخ ورود اطلاعات
    1397/03/30
  • تاريخ بهره برداري
    3/20/2020 12:00:00 AM
  • دانشجوي وارد كننده اطلاعات

    محمدامين نيك منش

  • چكيده به لاتين
    The purpose of this study is to predict certain movements of the hand with EMG signals with KNN algorithm.3 The signals were taken from 15 healthy subjects (5 females and 10 men ,age range from 19 to 24 ) and from forearm muscles. Preprocessing tasks including highpass filter butterworth filter,notch filter and rectified were perforemed on raw signals. Dataset were recorded from 4 channels and 2 channels were selected to predict hand movements. A window of 500 ms of 2 channels was selected as inputs for w-KNN algorithm. The task was designed to predict and classify intension of the hand movements : pinching, fingers abduction and grasp. Overall result of the procedure were 74 And 90 Respectively for simple condition and weighted KNN. high precision Results with relative short time was obtained from healthy subjects.