تشخیص حرکت عضو بر پایه سیگنال های حیاتی عضلانی با استفاده از شبکه های عصبی کانولوشنی بازگشتی عمیق

Publish Year: 1398
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 645

This Paper With 6 Page And PDF and WORD Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

TETSCONF01_008

تاریخ نمایه سازی: 17 فروردین 1399

Abstract:

در این مقاله یک مدل جدید مبتنی بر یادگیری عمیق برای تخمین اطلاعات سینماتیک برای کنترل مایوالکتریک از سیگنال های الکترومایوگرافی (EMG) چند کاناله ارائه شده است. اطلاعات عصبی حرکت اندام در سیگنال های EMG تحت تاثیر عوامل مختلفی قرار دارد. به منظور غلبه بر اثرات منفی تغییرپذیری در سیگنال ها، مدل پیشنهادی از معماری عمیق به صورت ترکیب شبکه های عصبی کانولوشنی (CNN) و شبکه های عصبی بازگشتی (RNN) استفاده می کند. سیگنال های EMG به عنوان ورودی مدل به فریم فرکانس-زمان تبدیل می شوند. حرکت اندام ها با استفاده از مدلی که با روش گرادیان کاهشی و روش بازگشتی آموزش می یابد، تخمین زده می شود. این مدل برای تخمین همزمان و متناسب حرکت اندام در هشت فرد سالم آزمایش شده و با رگرسیون بردار پشتیبان (SVR) و CNN در همان مجموعه داده مقایسه شده است. مطالعات تجربی نشان میدهد که مدل پیشنهادی با توجه به زمان از دقت تخمین بالاتر و مقاوم بودن بهتری برخوردار است. ترکیب CNN و RNN می تواند عملکرد مدل را در مقایسه با استفاده از CNN ها به تنهایی بهبود بخشد. مدل معماری عمیق در رمزگشایی EMG نویدبخش است و بهینه سازی ساختار شبکه میتواند دقت و مقاوم بودن را افزایش دهد.

Authors

میلاد پرون

دانشجوی کارشناسی ارشد دانشکده مهندسی برق و کامپیوتر دانشگاه تبریز

امیر ریخته گر غیاثی

استاد دانشیار دانشکده مهندسی برق و کامپیوتر دانشگاه تبریز