Создание классификатора мимических движений на основе анализа электромиограммы
Ключевые слова:
электромиограмма, мимические движения, распознавание, обработка сигнала, искусственные нейронные сети, извлечение признаков, радиальная базисная функция нейронной сетиАннотация
В статье описаны результаты обработки электромиограммы (ЭМГ) и результаты распознавания мимических движений алгоритмом радиальной базисной функции нейронной сети (НС). В качестве входного вектора признаков использовались девять признаков-функций ЭМГ во временной области. Наиболее высокая точность распознавания и скорость обучения получены для признака «Максимальные значения», наихудший результат получен для признака «Среднее арифметическое». На основе полученных данных предложен алгоритм распознавания движений. Классификатор может применяться для создания интерфейсов вида «человек-машина».Литература
1. Clancy E.A., Morin E.L., Merletti R. Sampling, Noise-reduction and Amplitude Estimation Issues in Surface Electromyography // Journal of Electromyography and Kinesiology. 2002. no. 12. pp. 11–16.
2. Englehart K., Hudgins B. A robust, real-time control scheme for multifunction myoelectric control // IEEE Translocation Biomedical Engineering. 2003. vol. 50. pp. 848–854.
3. Mitsuhiro H., David G. Voluntary EMG-to-force estimation with a multi-scale physiological muscle model // BioMedical Engineering OnLine. URL: http://www.biomedical-engineering-online.com/content/12/1/86. (Дата обращения: 11.09.2015).
4. Huihui L. et al. Relationship of EMG/SMG features and muscle strength level: an exploratory study on tibialis anterior muscles during plantar-flexion among hemiplegia patients // BioMedical Engineering OnLine. URL: http://www.biomedical-engineering-online.com/content/13/1/5. (Дата обращения: 31.01.16).
5. Marcel T., Marcus V., Francisco O. S-EMG signal compression based on domain transformation and spectral shape dynamic bit allocation // BioMedical Engineering OnLine. URL: http://www.biomedical-engineering-online.com/content/13/1/22. (Дата обращения: 11.09.2015).
6. Maria C, Sridhar P., Dinesh K. Selection of suitable hand gestures for reliable myoelectric human computer interface // BioMedical Engineering OnLine. URL: http://www.biomedical-engineering-online.com/content/14/1/30. (Дата обращения: 11.09.2015).
7. Peng H.C., Long F, Ding C. Feature selection based on mutual information: criteria of max-dependency, max-relevance, and min-redundancy // IEEE Transactions on Pattern Analysis & Machine Intelligence. 2005. vol. 27. pp. 1226–1238.
8. Sawarkar K.G. Analysis and Inference of EMG Using FFT // Proceeding of SPIT-IEEE Colloquium and International Conference. 2007. no. 1. p. 107.
9. Будко Р.Ю. Электромиография в исследовании челюстно-лицевых мышц // Тезисы трудов IV Всероссийской молодежной школы-семинара «Инновации и перспективы медицинских информационных систем». 2014. С. 70–73.
10. Hamedi M., Sheikh H.S., Tan T.S., Kamarul A. SEMG based Facial Expression Recognition in Bipolar configuration // Journal Computer Science. 2011. no. 7(9). pp. 1407–1415.
11. Зунг Н. Т., Щербатов И. А. Распознавание объектов в системе технического зрения мобильного робота: использование библиотеки FLANN и алгоритма SURF // Прикаспийский журнал: управление и высокие технологии. 2014. № 4. С. 65–76.
12. Saichon J. Chidchanok L., Suphakant P. A very fast neural learning for classification using only new incoming datum // IEEE Trans Neural Netw. 2010. no. 21(3). pp. 381–392.
13. Лучинин А.В., Старченко И.Б., Резниченко А.А. Анализ и выявление медленно-волновых компонент фотоплетизмограммы и построение функции регрессии // Известия ЮФУ. Технические науки. 2014. № 10. С. 114–120.
14. Chathura L., Brian J Lithgow, Zahra M. Development of an ultra low noise, miniature signal conditioning device for vestibular evoked response recordings // BioMedical Engineering OnLine. URL: http://www.biomedical-engineering-online.com/content/13/1/6. (Дата обращения: 26.11.15).
15. Реброва О.Ю. Статистический анализ медицинских данных. Применение пакета прикладныхпрограмм STATISTICA // МедиаСфера. 2006. C. 167–195.
16. Коуэн X.Л., Брумлик Дж. Руководство по электромиографии и электродиагностик: пер с англ. // Москва: Медицина. 2005. 341 с.
2. Englehart K., Hudgins B. A robust, real-time control scheme for multifunction myoelectric control // IEEE Translocation Biomedical Engineering. 2003. vol. 50. pp. 848–854.
3. Mitsuhiro H., David G. Voluntary EMG-to-force estimation with a multi-scale physiological muscle model // BioMedical Engineering OnLine. URL: http://www.biomedical-engineering-online.com/content/12/1/86. (Дата обращения: 11.09.2015).
4. Huihui L. et al. Relationship of EMG/SMG features and muscle strength level: an exploratory study on tibialis anterior muscles during plantar-flexion among hemiplegia patients // BioMedical Engineering OnLine. URL: http://www.biomedical-engineering-online.com/content/13/1/5. (Дата обращения: 31.01.16).
5. Marcel T., Marcus V., Francisco O. S-EMG signal compression based on domain transformation and spectral shape dynamic bit allocation // BioMedical Engineering OnLine. URL: http://www.biomedical-engineering-online.com/content/13/1/22. (Дата обращения: 11.09.2015).
6. Maria C, Sridhar P., Dinesh K. Selection of suitable hand gestures for reliable myoelectric human computer interface // BioMedical Engineering OnLine. URL: http://www.biomedical-engineering-online.com/content/14/1/30. (Дата обращения: 11.09.2015).
7. Peng H.C., Long F, Ding C. Feature selection based on mutual information: criteria of max-dependency, max-relevance, and min-redundancy // IEEE Transactions on Pattern Analysis & Machine Intelligence. 2005. vol. 27. pp. 1226–1238.
8. Sawarkar K.G. Analysis and Inference of EMG Using FFT // Proceeding of SPIT-IEEE Colloquium and International Conference. 2007. no. 1. p. 107.
9. Будко Р.Ю. Электромиография в исследовании челюстно-лицевых мышц // Тезисы трудов IV Всероссийской молодежной школы-семинара «Инновации и перспективы медицинских информационных систем». 2014. С. 70–73.
10. Hamedi M., Sheikh H.S., Tan T.S., Kamarul A. SEMG based Facial Expression Recognition in Bipolar configuration // Journal Computer Science. 2011. no. 7(9). pp. 1407–1415.
11. Зунг Н. Т., Щербатов И. А. Распознавание объектов в системе технического зрения мобильного робота: использование библиотеки FLANN и алгоритма SURF // Прикаспийский журнал: управление и высокие технологии. 2014. № 4. С. 65–76.
12. Saichon J. Chidchanok L., Suphakant P. A very fast neural learning for classification using only new incoming datum // IEEE Trans Neural Netw. 2010. no. 21(3). pp. 381–392.
13. Лучинин А.В., Старченко И.Б., Резниченко А.А. Анализ и выявление медленно-волновых компонент фотоплетизмограммы и построение функции регрессии // Известия ЮФУ. Технические науки. 2014. № 10. С. 114–120.
14. Chathura L., Brian J Lithgow, Zahra M. Development of an ultra low noise, miniature signal conditioning device for vestibular evoked response recordings // BioMedical Engineering OnLine. URL: http://www.biomedical-engineering-online.com/content/13/1/6. (Дата обращения: 26.11.15).
15. Реброва О.Ю. Статистический анализ медицинских данных. Применение пакета прикладныхпрограмм STATISTICA // МедиаСфера. 2006. C. 167–195.
16. Коуэн X.Л., Брумлик Дж. Руководство по электромиографии и электродиагностик: пер с англ. // Москва: Медицина. 2005. 341 с.
Опубликован
2016-06-06
Как цитировать
Будко, Р. Ю., & Старченко, И. Б. (2016). Создание классификатора мимических движений на основе анализа электромиограммы. Труды СПИИРАН, 3(46), 76-89. https://doi.org/10.15622/sp.46.7
Раздел
Методы управления и обработки информации
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями:
Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале.
Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале.
Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).
