بررسی و تحلیل روش های استخراج ویژگی مبتنی بر الگوریتم ژنتیک چندهدفه و ماشین بردار پشتیبان برای کلاس بندی سیگنال های الکترو مایوگرام عضلات بازو

سالهاست به منظور توانبخشی و ساخت اندام مصنوعی سعی محققین بر این بوده که زمان پردازش کاهش داده شود تا برای 1 مناسب استفاده های زمان حقیقی باشد، هرچند در این زمینه تا حدودی موفق بوده اند ولی در اکثر تحقیقات قبلی مسیله 2 آشکارسازی نوع حرکت پیش از مشاهده آن مورد توجه نبوده است.نشان داده شده به کمک روش های بهینهسازی چندهدفه ،میتوان از تقابل بین اهداف مختلف منجر به جوابی شد که در حقیقت مصالحهای بین اهداف مختلف است همچنین از مزایای 3 این روش نسبت به روشهای تکهدفه میتوان به شناسایی تعداد بیشتر راه حل ها، قابلیت اضافه کردن قوانین مختلف در آینده و واقعی تر بودن مدلهای ارایه شده در این مسایل اشاره نمود. هدف کلی این پژوهش، ارایه راهکاری مناسب جهت تشخیص 4 بلادرنگ نوع حرکت مورد اراده فرد در عضلات بازو مبتنی بر پردازش سیگنال های الکترو مایوگرام سطحیبرای کنترل یک ساعد سایبرنتیکی با استفاده از ویژگیهای مناسب زمان- فرکانسی است که توسط الگوریتم ژنتیک چندهدفه II-NSGA گزینش 5 به عنوان طبقه بندی میشود، همچنین استفاده از ماشین بردار پشتیان به منظور آشکارسازی زمان حقیقی نوع حرکت 6 کنندهبه کار گرفته شده است. نتایج حاصل از پردازش 100 نمونه داده ثبت شده از عضلات بازو 5 سوژه سالم نشان میدهد که میتوان با استفاده از روش پیشنهادی، با طول پنجره بهینه mS 256 و با صحت بالای % 43,98 ،فرآیند شناسایی حرکت ساعد دست را در سه حالت مختلف تشخیص و مورد استفاده قرار داد. بنابراین میتوان ادعا کرد که استفاده از این روش، منجر به دستیابی به خطای بهینهسازی کمتر و همچنین سرعت همگرایی کمتری نسبت به روشهای قبلی میشود.

Keywords:

الکترمیوگرافی سطحی , بهینه سازی چندهدفه , ماشین بردار پشتیبان , الگوریتم ژنتیک