کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
10127211 1645048 2019 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Walking gait event detection based on electromyography signals using artificial neural network
ترجمه فارسی عنوان
تشخیص رویداد حرکتی راه‌رفتن بر‌اساس سیگنال‎‌‎های الکترومیوگرافی از طریق شبکۀ عصبی مصنوعی
کلمات کلیدی
سیگنال‌های EMG، رویداد حرکتی، شبکۀ عصبی مصنوعی، ویژگی‌های حوزۀ زمان
فهرست مطالب مقاله
چکیده

کلمات کلیدی

1- مقدمه

2- مواد و روش‌ها

2-1 جمع‌آوری و پردازش داده‌‌ها

شکل 1- تجهیزات مورد استفاده در آزمایش

شکل 2- نمونۀ خروجی ثبت‌‎‌شدۀ عضلات TA و mGas.

2-2 شبکۀ عصبی مصنوعی

شکل 3- فرآیند کلی پژوهش

3- نتایج

جدول 1- خلاصۀ عملکرد طبقه‌بندی ANN با معماری‌های متفاوت.

جدول 2- بردار ورودی ویژگی داده‌های آزمایش و خروجی طبقه‌بندی از‌طریق مدل آموزش‌دیدۀ ANN.

جدول 3- عملکرد طبقه‌بندی ANN با‌توجه‌به داده‌های مرجع هر داده.

شکل 4- دقت طبقه‌بندی و MSE برای الگوریتم‌های آموزش با ویژگی‌های متفاوت به‌عنوان ورودی.

شکل 5- تشخیص HS و TO از‌طریق ANN آموزش‌دیده با داده‌های سوئیچ پا برای داده‌های آموزش‌دیده.

شکل 6- تشخیص HS و TO از‌طریق ANN آموزش‌دیده با داده‌های سوئیچ پا برای داده‌های آموزش‌ندیده.

شکل 7- اختلاف زمانی بین رویدادهای شناسایی‌شده از‍‌طریق ANN آموزش‌دیده و سوئیچ پا برای داده‌های آموزش‌دیده.

شکل 8- آزمون ویلکاکسون برای داده‌های آموزش‌دیدۀ: (a) HS؛ (b) TO. 

شکل 9- اختلاف زمانی بین رویدادهای شناسایی‌شده از‍‌طریق ANN آموزش‌دیده و سوئیچ پا برای داده‌های آموزش‌ندیده.

4-  بحث ‌و ‌بررسی

4-1 تحلیل سیگنال‌های EMG

4-2 تشخیص HS و TO

4-3 محدودیت‌ها

5- نتیجه‌گیری

 
ترجمه چکیده
همواره، فازهای استقرار و نوسان را رویدادهای کانونی در بسیاری از برنامه‌های حرکتی می‌شناسند. اگرچه تشخیص رویدادهای حرکتی از طریق سیگنال‌های الکترومیوگرافی موجب توسعۀ تجهیزات کمکی نظیر ربات اسکلت خارجی ، ارتزها و پروتزها می‌شود، اما، فازهای استقرار و نوسان همواره از این سیگنال‌‌ها بی‌بهره بوده‌اند. در این پژوهش، یک سیستم طبقه‌بندی جهت فازهای استقرار و نوسان بر‌اساس سیگنال‌های الکترومیوگرافی ارائه شده است. با استخراج الگوهای سیگنال‌های الکترومیوگرافی از ویژگی‌های حوزۀ زمان و اعمال آن‌ها به طبقه‌بندی‌کنندۀ شبکۀ عصبی مصنوعی این امر تحقق می‌یابد. به‌علاوه، تعدادی از ویژگی‌های متفاوت به‌عنوان ورودی و دو الگوریتم مشهور آموزش شبکۀ عصبی مصنوعی در این تحقیق به‌کار‌گرفته شده است. هشت آزمودنیِ مورد مطالعه به دو دسته‌دادۀ آموزش‌دیده (هفت نفر اول) و آموزش‌ندیده (نفر آخر) تقسیم شده‌اند. الگوریتم لونبرگ-مارکوارت همراه با پنج ویژگیِ حوزۀ زمان دارای عملکرد بهتری نسبت به سایر ویژگی‌ها است -با میانگین دقت طبقه‌بندی 87.4 درصد. آزمایش این سیستم عمدتاً با سیگنال‌های الکترومیوگرافی داده‌های آموزش‌دیده و آموزش‌ندیده جهت تشخیص فازهای استقرار و نوسان براساس شناسایی زمان ضربۀ پاشنه و انگشت پا بود. مقادیر میانگین تفاضل مطلق بین داده‌های آموزش‌دیده شدۀ شبکۀ عصبی مصنوعی و سوئیچ پا مربوط‌ به ضربۀ پاشنه و انگشت پا به‌ترتیب 18 ± 16 و 18 ± 21 میلی‌ثانیه بود. در این مورد، اختلاف معناداری (p <0.05) در میانگین تفاضل مطلق برای تشخیص ضربۀ پاشنه و انگشت پا مشاهده نشد. علاوه‎بر‌این، مقادیر میانگین تفاضل مطلق داده‌های آموزش‌ندیده برای ضربۀ پاشنه و انگشت پا به‌ترتیب 25 ± 35 و 15 ± 49میلی‌ثانیه بود که مقادیری قابل‌قبول محسوب می‌شوند. در پایان این آزمایش می‌توان گفت بررسی رویدادهای راه‌رفتن با استفاده از سیگنال‌های الکترومیوگرافی از‌طریق شبکۀ عصبی مصنوعی امکان‌پذیر است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر پردازش سیگنال
پیش نمایش مقاله
تشخیص رویداد حرکتی راه‌رفتن بر‌اساس سیگنال‎‌‎های الکترومیوگرافی از طریق شبکۀ عصبی مصنوعی
چکیده انگلیسی
In many gait applications, the focal events are the stance and swing phases. Although detecting gait events using electromyography signals will help the development of assistive devices such as exoskeleton, orthoses, and prostheses, stance and swing phases have yet to be observed using electromyography signals. The core of this study is to propose a classification system for both stance and swing phases based on electromyography signals. This is to be done by extracting the patterns of electromyography signals from time domain features and feeding them into an artificial neural network classifier. In addition, a different number of input features and two prominent training algorithm of artificial neural network have been employed in this study. Eight subjects that participated in this study were divided into two categories namely, learned (first seven subjects) and unlearned data (the remaining one subject). It was observed that Levenberg-Marquardt algorithm with five time domain features performed better than other features with an average percentage of classification accuracy of 87.4%. This system was further tested with electromyography signals of learned and unlearned data to identify the stance and swing phases in order to detect the timing of heel strike and toe off. The mean absolute different values between artificial neural network and footswitch data for learned data were 16 ± 18 ms and 21 ± 18 ms for heel strike and toe off, respectively. For this case, no significant differences (p < 0.05) were observed in mean absolute different for heel strike and toe off detections. Besides, the mean absolute different values of unlearned data were shown to be acceptable, 35 ± 25 ms for heel strike and 49 ± 15 ms for toe off. By the end of this experiment, basing the examination of gait events with electromyography signals using artificial neural network is possible.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Biomedical Signal Processing and Control - Volume 47, January 2019, Pages 334-343
نویسندگان
, , , ,