CLASSIFICATION OF HAND GESTURES IN ELECTROMYOGRAPHY SIGNALS BY MACHINE LEARNING METHODS

Authors

  • Pavel Alexandrovich Grigorov Иркутский национальный исследовательский технический университет
  • Zhanna Sergeevna Afanasyeva Irkutsk National Research Technical University

Keywords:

electromyography, bionic prosthetics, gesture recognition, artificial intelligence, recurrent neural networks, classification

Abstract

One of the key problems of bionic prosthetics, because of which they do not meet the desired criteria of manufacturability, is the interpretation and processing of surface electromyography data. This article presents the application of a recurrent neural network model for the classification of electromyography patterns of 4 human hand gestures. For training, an existing data set recorded using an eight-channel myo-bracelet «Thalmic Labs Myo» was used. This classification method had 98.3% accuracy on test data. The results of the study can serve as a basis for the development of a neural network model for controlling a bionic prosthetic human hand.

References

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.

Published

2024-01-26

How to Cite

Григоров, П. А., & Афанасьева, Ж. С. (2024). CLASSIFICATION OF HAND GESTURES IN ELECTROMYOGRAPHY SIGNALS BY MACHINE LEARNING METHODS. The Electronic Scientific Journal "Young Science of Siberia", (4(22). Retrieved from https://ojs.irgups.ru/index.php/mns/article/view/1368

Issue

Section

Computer science and engineering