КЛАССИФИКАЦИЯ ЖЕСТОВ РУКИ В СИГНАЛАХ ЭЛЕКТРОМИОГРАФИИ МЕТОДАМИ МАШИННОГО ОБУЧЕНИЯ

Авторы

  • Павел Александрович Григоров Иркутский национальный исследовательский технический университет
  • Жанна Сергеевна Афанасьева Иркутский национальный исследовательский технический университет

Ключевые слова:

электромиография, бионическое протезирование, распознавание жестов, искусственный интеллект, рекуррентные нейронные сети, классификация

Аннотация

Одной из ключевых проблем бионического протезирования, из-за которых они не отвечают желаемым критериям технологичности, является интерпретация и обработка данных поверхностной электромиографии. В данной статье представлено применение модели рекуррентной нейронной сети для классификации паттернов электромиографии 4-х жестов руки человека. Для обучения использовался существующий набор данных, записанный с помощью восьмиканального мио-браслета «Thalmic Labs Myo».  Данный способ классификации имел точность на тестовых данных 98.3%. Результаты проведенного исследования могут послужить основой для разработки нейросетевой модели для управления бионическим протезом руки человека.

Библиографические ссылки

Сафин Д.Р., Пильщиков И.С., Ураксеев М.А., Гусев В.Г., Оценка эффективности различных конструкций электродов и усилителей биосигналов в системах управления протезами // Известия высших учебных заведений. Поволжский регион. Технические науки. - 2009. - № 2 (10). С. 88-101.

Будко Н.А., Будко Р. Ю., Медведев М.Ю., Биоэлектрическое управление 4DOF манипулятором // Информационные технологии, системный анализ и управление (итсау-2019). Сборник трудов ХVII Всероссийской научной конференции молодых ученых, аспирантов и студентов. В двух томах. Том 2. Ростов-на-Дону - Таганрог, 2019. С.202-211.

Samaneh Samiei, Nasser Ghadiri, Behnaz Ansari. A complex network approach to time series analysis with application in diagnosis of neuromuscular disorders // 2021.

Ghazal Ghazaei, Ali Alameer, Patrick Degenaar, Graham Morgan, Kianoush Nazarpour, Deep learning-based artificial vision for grasp classification in myoelectric hands // J. Neural Engineering – 2017. Volume 14 - №3 DOI 10.1088/1741-2552/aa6802

Бошляков А.А. Поярков Г.А. Анализ алгоритмов для системы принятия решений // ДНЕВНИК НАУКИ – 2020. - №4 (40). С. 32

Drowsiness_dataset | Kaggle [Электронный ресурс]. - Режим доступа: https: // https://www.kaggle.com/datasets/sojanprajapati/emg-signal-for-gesture-recognition - Заглавие с экрана. (дата обращения: 09.04.2023)

Попов Е. Ю., Фоменков С. А., Детектирование событий движения руки в сигналах ЭЭГ головного мозга с помощью сверточных нейронных сетей // ИЗВЕСТИЯ ВолгГТУ – 2016. - №3 (182). С. 62-67

Денис Грязнов, Вадим Жмудь, Демьян Малахов, Валерий Аврмачук, Ярослав Носек, Любомир Димитров, Перспективы расширения функционала индивидуальных недорогих протезов конечностей за счет применения интеллектуальных датчиков-командеров // АВТОМАТИКА И ПРОГРАММНАЯ ИНЖЕНЕРИЯ - 2019. - №2 (28) С. 10-17

Ботман С.А., Сапунов В.В., Савинов В.Б., Петров В.А., Камышов Г.В., Шушарина Н.Н., Определение степени сжатия пальцев руки по данным ЭМГ в случае сложных движений // ИННОВАЦИИ. НАУКА. ОБРАЗОВАНИЕ - 2020. - №20. С. 869-878

Будко Р.Ю., Чернов Н.Н., Будко Н.А., Будко А.Ю. Распознавание электромиограммы предплечья и выбор жестов для управления протезом / Р.Ю. Будко, Н.Н. Чернов, Н.А. Будко, А.Ю. Будко // Моделирование, оптимизация и информационные технологии – 2019. – Том 7. - №1 (24). С. 54-66

Perotto A. O. Anatomical guide for the electromyographer: the limbs and trunk. – Charles C Thomas Publisher. - 2011.

Загрузки

Опубликован

2024-01-26

Как цитировать

Григоров, П. А., & Афанасьева, Ж. С. (2024). КЛАССИФИКАЦИЯ ЖЕСТОВ РУКИ В СИГНАЛАХ ЭЛЕКТРОМИОГРАФИИ МЕТОДАМИ МАШИННОГО ОБУЧЕНИЯ. Электронный научный журнал "Молодая наука Сибири", (4(22). извлечено от https://ojs.irgups.ru/index.php/mns/article/view/1368

Выпуск

Раздел

Информатика, вычислительная техника