تخمین نیروی عضلانی با استفاده از سیگنالهای الکترومایوگرافی و مدلهای یادگیری ماشین

الکترومایوگرافی (EMG) به عنوان یک روش غیر تهاجمی و کم هزینه نقش مهمی در اندازه گیری فعالیت الکتریکی عضلات اسکلتی دارد و در علوم، اعصاب، مهندسی پزشکی و توانبخشی کاربرد گسترده ای یافته است. این پژوهش به بررسی روش های تخمین نیروی عضلانی از طریق سیگنال های EMG می پردازد و چالش های موجود در مدل سازی رابطه غیر خطی بین سیگنال EMG و نیروی تولیدی را تحلیل می کند. از مدل های فیزیولوژیکی تا الگوریتم های یادگیری ماشین مانند KNN، MLP و درخت تصمیم (DT) برای بهبود دقت تخمین استفاده شده است. نتایج نشان می دهد که مدل DT با دقت ۹۵.۶% بهترین عملکرد را دارد در حالی که همپوشانی ویژگی ها در کلاس های میانی منجر به خطاهایی شده است. پیشنهاد می شود برای افزایش دقت از ویژگی های پیچیده تر و داده های گسترده تر استفاده شود. این مطالعه گامی موثر در توسعه سیستم های هوشمند توانبخشی و کنترل پروتزها محسوب می شود.

Keywords:

الکترومایوگرافی , شبکه عصبی مصنوعی , کا نزدیکترین همسایگی , درخت تصمیم , تخمین نیرو