خلاصة:
سال هاست به منظور توانبخشی و ساخت اندام مصنوعی سعی محققین بر این بوده که زمان پردازش کاهش داده شود تا برای استفاده های زمان حقیقی مناسب باشد، هرچند در این زمینه تا حدودی موفق بوده اند ولی در اکثر تحقیقات قبلی مسئله آشکارسازی نوع حرکت پیش از مشاهده آن مورد توجه نبوده است. نشان داده شده به کمک روش های بهینه سازی چند هدفه ، می توان از تقابل بین اهداف مختلف منجر به جوابی شد که در حقیقت مصالحه ای بین اهداف مختلف است همچنین از مزایای این روش نسبت به روشهای تک هدفه می توان به شناسایی تعداد بیشتر راه حل ها، قابلیت اضافه کردن قوانین مختلف در آینده و واقعی تر بودن مدلهای ارائه شده در این مسائل اشاره نمود. هدف کلی این پژوهش، ارائه راهکاری مناسب جهت تشخیص بلادرنگ نوع حرکت مورد اراده فرد در عضلات بازو مبتنی بر پردازش سیگنال های الکترو مایوگرام سطحی برای کنترل یک ساعد سایبرنتیکی با استفاده از ویژگیهای مناسب زمان- فرکانسی است که توسط الگوریتم ژنتیک چندهدفهNSGA-II گزینش می شود، همچنین استفاده از ماشین بردار پشتیان به عنوان طبقه بندی کننده به منظور آشکارسازی زمان حقیقی نوع حرکت به کار گرفته شده است.
نتایج حاصل از پردازش 10۰ نمونه داده ثبت شده از عضلات بازو 5 سوژه سالم نشان می دهد که می توان با استفاده از روش پیشنهادی، با طول پنجره بهینه mS256 و با صحت بالای % ۹۸.۴۳، فرآیند شناسایی حرکت ساعد دست را در سه حالت مختلف تشخیص و مورد استفاده قرار داد. بنابراین می توان ادعا کرد که استفاده از این روش، منجر به دستیابی به خطای بهینه سازی کمتر و همچنین سرعت همگرایی کمتری نسبت به روشهای قبلی می شود.
ملخص الجهاز:
نشان داده شده به کمک روش های بهینه سازی چندهدفه ، میتوان از تقابل بین اهداف مختلف منجر به جوابی شد که در حقیقت مصالحه ای بین اهداف مختلف است همچنین از مزایای این روش نسبت به روشهای تک هدفه ٣ میتوان به شناسایی تعداد بیشتر راه حل ها، قابلیت اضافه کردن قوانین مختلف در آینده و واقعی تر بودن مدلهای ارائه شده در این مسائل اشاره نمود.
هدف کلی این پژوهش ، ارائه راهکاری مناسب جهت تشخیص بلادرنگ نوع حرکت مورد اراده فرد در عضلات بازو مبتنی بر پردازش سیگنال های الکترو مایوگرام سطحی ٤برای کنترل یک ساعد سایبرنتیکی با استفاده از ویژگیهای مناسب زمان - فرکانسی است که توسط الگوریتم ژنتیک چندهدفه NSGA-II گزینش میشود، همچنین استفاده از ماشین بردار پشتیان ٥ به عنوان طبقه بندی کننده ٦به منظور آشکارسازی زمان حقیقی نوع حرکت به کار گرفته شده است .
واژه های کلیدی: الکترمیوگرافی سطحی، بهینه سازی چندهدفه ، ماشین بردار پشتیبان ، الگوریتم ژنتیک 1 online 2 multi-objective 3 Single-objective 4 Surface Electromyography(SEMG) 5 Support vector Machine(SVM) 6 Classification مقدمه همانطور که میدانید عوامل زیادی همچون بیماری ها، تصادفات رانندگی، حوادث کار و جنگ ها در قطع عضو اندام بالایی بخصوص ساعد دست دخیل بوده و به طور معمول کیفیت زندگی بیمار را به شدت کاهش میدهد.
1 Support Vector Machine (SVM) 2 Supervised learning 3 Classification 4 Regression 5 Perceptron neural networks 6 Fitness function ٤- بحث و نتیجه گیری در این مقاله روش استخراج ویژگی مبتنی بر الگوریتم ژنتیک چند هدفه جهت بهینه سازی وطبقه بندی سیگنال های EMG برای کاربردهای زمان حقیقی جهت کنترل اندام مصنوعی مورد بررسی قرار گرفت .