CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)

بهبود طبقه بندی حرکات دست با استفاده از شبکه های عصبی عمیق (Deep Neural Networks) بر مبنای سیگنال های SEMG

عنوان مقاله: بهبود طبقه بندی حرکات دست با استفاده از شبکه های عصبی عمیق (Deep Neural Networks) بر مبنای سیگنال های SEMG
شناسه ملی مقاله: ECMECONF17_051
منتشر شده در هفدهمین کنفرانس ملی پژوهش های کاربردی در علوم برق، کامپیوتر و مهندسی پزشکی در سال 1402
مشخصات نویسندگان مقاله:

مهرداد متین قهفرخی - دانشجوی کارشناسی ارشد رشته مهندسی پزشکی دانشگاه غیرانتفاعی شها
محمدرضا یزدانی - عضو هیات علمی دانشگاه غیرانتفاعی شهاب دانش قم گروه مهندسی پزشکی

خلاصه مقاله:
حرکات دست با استفاده از سیگنال های الکترومیوگرافی سطحی (SEMG) می تواند از طریق اسکلت های خارجی یا روبات هایی کنترل شود که به دقت فرمان های کنترلی از جانب کنترل کننده ورودی SEMG تغذیه می شوند. با افزایش پیچیدگی حرکات مورد نیاز، نیاز به روش های پیشرفته تری برای طبقه بندی SEMG به منظور بهبود دقت و عملکرد وجود دارد. کنترل بازو یا دست روباتیک با استفاده از سیگنال های الکترومیوگرافی سطحی SEMG، یک مسیر تحقیقاتی مهم در حوزه کنترل انسان-ماشین است. روش های کنترل مبتنی بر تشخیص الگو و مدل های اسکلت-عضلانی از جمله روش های کنترل کنونی هستند. اما این روش ها دارای محدودیت ها هستند و به یکنواختی دست انسان نیز نمی توانند تمام جنبه های کنترل را پوشش دهند.

کلمات کلیدی:
آنالیز آماری، برآورد پیوسته، زوایه مفصل انشگت، کنترل میوالکتریک، مقایسه روش ها ، LSTM، RBF، SPGP، SEMG، ، عملکرد LSTM.

صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1926453/