تشخیص حرکت عضو بر پایه سیگنال‌های حیاتی عضلانی با استفاده از شبکه‌های عصبی کانولوشنی بازگشتی عمیق

تشخیص حرکت عضو بر پایه سیگنال‌های حیاتی عضلانی با استفاده از شبکه‌های عصبی کانولوشنی بازگشتی عمیق

میلاد پرون1 امیر ریخته گر غیاثی2

1) دانشجوی کارشناسی ارشد برق گرایش کنترل، دانشگاه تبریز، ایران
2) استاد دانشیار گروه کنترل دانشکده مهندسی برق و کامپیوتر دانشگاه تبریز، ایران

کد IOI مقاله : XCCC-EEHAZ
محل انتشار : دهمین کنفرانس بین المللی فناوری های نوآورانه در زمینه علوم، مهندسی و تکنولوژی(tetsconf.com)
چکیده :
    در این مقاله یک مدل جدید مبتنی بر یادگیری عمیق برای تخمین اطلاعات سینماتیک برای کنترل مایوالکتریک از سیگنال‌های الکترومایوگرافی (EMG) چند کاناله ارائه شده است. اطلاعات عصبی حرکت اندام در سیگنال‌های EMG تحت تأثیر عوامل مختلفی قرار دارد. به منظور غلبه بر اثرات منفی تغییرپذیری در سیگنال‌ها، مدل پیشنهادی از معماری عمیق به صورت ترکیب شبکه‌های عصبی کانولوشنی (CNN) و شبکه‌های عصبی بازگشتی (RNN) استفاده می‌کند. سیگنال‌های EMG به عنوان ورودی مدل به فریم فرکانس-زمان تبدیل می‌شوند. حرکت اندام‌ها با استفاده از مدلی که با روش گرادیان کاهشی و روش بازگشتی آموزش می‌یابد، تخمین زده می‌شود. 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 می‌تواند عملکرد مدل را در مقایسه با استفاده از CNNها به تنهایی بهبود بخشد. مدل معماری عمیق در رمزگشایی EMG نویدبخش است و بهینه‌سازی ساختار شبکه می‌تواند دقت و مقاوم بودن را افزایش دهد.

کلمات کلیدی : الکترومایوگرام کنترل مایوالکتریک یادگیری عمیق شبکه عصبی کانولوشنی شبکه عصبی بازگشتی