شبکه‌ی عصبی کانولوشنی رگرسیون برای کنترل همزمان و بهبود‌یافته‌ی سیگنال EMG
در این مقاله، یک طرح کنترل الکترومیوگرافی (EMG) با یک شبکه‌ی عصبی کانولوشنی رگرسیون (CNN)، به عنوان جایگزینی برای مدل‌های رگرسیون معمول که در آن از ویژگی‌های طراحی شده هدفمند استفاده می‌شود، ارائه شده است. مزیت رگرسیون CNN نسبت به کلاس‌بندی CNN (که قبلاً مورد مطالعه قرار گرفته است) این است که کنترل مستقل و همزمان حرکات را امکان‌پذیر می‌کند.
مدل‌های یادگیری عمیق می‌توانند نمایش داده‌هایی را یاد بگیرند که اطلاعات مفیدی را برای انجام پیش‌بینی بدون مهندسی ویژگی‌ها استخراج می‌کنند. در این مقاله، یک طرح کنترل الکترومیوگرافی (EMG) با یک شبکه‌ی عصبی کانولوشنی رگرسیون (CNN)، به عنوان جایگزینی برای مدل‌های رگرسیون معمول که در آن از ویژگی‌های طراحی شده هدفمند استفاده می‌شود، ارائه شده است.
قابلیت استفاده از مدل رگرسیون CNN برای اولین بار با استفاده از آزمون آنلاین قانون Fitts با حرکات تکی و همزمان مچ، تایید شد. نتایج با یک الگوریتم مبتنی بر رگرسیون بردار پشتیبانی توسط گروهی از ویژگی‌های استخراج شده‌ی پُر استفاده مقایسه شد.
علی‌رغم کارایی اثبات‌شده‌ی این ویژگی‌های شناخته‌شده، سیستم مبتنی بر CNN از الگوریتم مبتنی بر ماشین بردار پشتیبان (SVM)، به دلیل صحت بالاتر رگرسیون به ویژه در دامنه‌های EMG بالا، عملکرد بهتری داشت.
این نتایج نشان می‌دهد که مدل CNN می‌تواند اطلاعات اساسی کنترل حرکتی را از سیگنال‌های EMG در حین انجام حرکاتی با یک و یا چند درجه آزادی (DoF) استخراج کند. مزیت رگرسیون CNN نسبت به کلاس‌بندی CNN (که قبلاً مورد مطالعه قرار گرفته است) این است که کنترل مستقل و همزمان حرکات را امکان‌پذیر می‌کند.
این پژوهش با استفاده از خدمات آزمایشگاه ملی نقشه برداری مغز انجام شده است و در سال 2019 در Journal of Neural Engineering به چاپ رسیده است.
اسامی پژوهشگران:
علی عامری
محمد علی اخایی
Erik Scheme
Kevin Englehart
نوشته های مرتبط