استفاده از سیگنال‎ ‎های الکترومیوگرافی از طریق شبکه عصبی مصنوعی در مهندسی پزشکی

همواره، فازهای استقرار و نوسان را رویدادهای کانونی در بسیاری از برنامه های حرکتی می شناسند. اگرچه تشخیص رویدادهای حرکتی از طریق سیگنال های الکترومیوگرافی موجب توسعه تجهیزات کمکی نظیر ربات اسکلت خارجی، ارتزها و پروتزها می شود، اما، فازهای استقرار و نوسان همواره از این سیگنال ها بی بهره بوده اند. در این پژوهش، یک سیستم طبقه بندی جهت فازهای استقرار و نوسان بر اساس سیگنال های الکترومیوگرافی ارائه شده است. با استخراج الگوهای سیگنال های الکترومیوگرافی از ویژگی های حوزه زمان و اعمال آن ها به طبقه بندی کننده شبکه عصبی مصنوعی این امر تحقق می یابد. به علاوه، تعدادی از ویژگی های متفاوت به عنوان ورودی و دو الگوریتم مشهور آموزش شبکه عصبی مصنوعی در این تحقیق به کار گرفته شده است. هشت آزمودنی مورد مطالعه به دو دسته داده آموزش دیده (هفت نفر اول) و آموزش ندیده (نفر آخر) تقسیم شده اند. الگوریتم لونبرگ- مارکوارت همراه با پنج ویژگی حوزه زمان دارای عملکرد بهتری نسبت به سایر ویژگی ها است. با میانگین دقت طبقه بندی ۸۷.۴ درصد. آزمایش این سیستم عمدتا با سیگنال های الکترومیوگرافی داده های آموزش دیده و آموزش ندیده جهت تشخیص فازهای استقرار و نوسان براساس شناسایی زمان ضربه پاشنه و انگشت پا بود. در پایان این آزمایش می توان گفت بررسی رویدادهای راه رفتن با استفاده از سیگنال های الکترومیوگرافی از طریق شبکه عصبی مصنوعی امکان پذیر است.

Keywords:

رویداد حرکتی , شبکه عصبی مصنوعی , ویژگی های حوزه زمان.