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.
Creation of the Facial Gestures Dlassifier Based on the Electromyogram Analysis
Abstract
The article presents the results of an experiment on the facial muscles electromyographic signal processing (EMG) based on the algorithm of radial basis function neural networks (NN). We have studied the efficiency of using as input for training NN nine signs of EMG learned as a function of time. The best result was obtained for the criterion Maximum Picked Value. The worst result was obtained for the criterion Mean Value. We have proposed a gesture recognition algorithm. The resulting algorithm and the neural network based on it can be used in the construction of a human-machine interface.
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).
