طبقه بندی حالات منتخب صورت از طریق سیگنال الکترومایوگرافی تک کاناله به وسیله شبکه عصبی مصنوعی و درخت تصمیم

محورهای موضوعی : مهندسی پزشکی

نیلوفر شجاعیان ¹ , بابک رضایی افشار ²

1 - گروه مهندسی پزشکی بیوالکتریک دانشگاه آزاد اسلامی واحد تهران مرکزی. تهران
2 - Head of Cognetive science lab ,incubator center of mohaghegh ardebili univrsity.

تاریخ دریافت : 1403/11/03 تاریخ پذیرش : 1404/02/16 تاریخ انتشار : 1404/03/31

کلید واژه: حالات صورت, الکترومایوگرافی, شبکه عصبی مصنوعی, درخت تصمیم, تحلیل مؤلفه‌های اساسی,

چکیده مقاله :

این مطالعه، به بررسی حالات مختلف صورت از طریق الکترومایوگرافی تک‌کاناله با حداقل پیچیدگی محاسباتی به‌منظور استفاده در کاربردهای واقعی به‌صورت بلادرنگ می‌پردازد. داده‌های الکترومایوگرافی عضلات صورت نشأت گرفته از پتانسیل الکتریکی اجرای حالات مختلف صورت است که به‌ازای حالات مختلف می‌تواند مقادیر متفاوتی را داشته باشد. در این مطالعه، داده‌های الکترومایوگرافی از حالت‌های مختلف عضلات صورت 6 نفر از شرکت‌کنندگان زن با میانگین سنی ۵±۲۵ سال ثبت گردید و پس از اعمال فیلتر باترورث مرتبه چهار، داده‌ها در پنجره‌های ۱۰ ثانیه‌ای تقسیم‌بندی شد و سپس ۱۲ ویژگی در حوزه زمان و فرکانس از آن استخراج گردید. برای کاهش حجم محاسباتی از روش کاهش ویژگی PCA و برای طبقه‌بندی داده‌ها از شبکه عصبی مصنوعی و درخت تصمیم استفاده شد. پس از اعمال فیلترها و استخراج ویژگی، داده‌ها توسط طبقه‌بندهای پرسپترون چندلایه با صحت ۷۳.۵۷ درصدی، درخت تصمیم با صحت ۹۵.۱۶ درصدی، MPL-PCA با صحت ۶۵.۲۰ درصدی و DT-PCA با صحت ۹۶.۳۳درصدی مورد طبقه‌بندی قرار گرفتند. از چالش‌های این مطالعه می‌توان به تعداد کم افراد شرکت‌کننده و تک‌کاناله بودن اشاره کرد. همچنین در مطالعات آینده می‌توان داده‌های عضلات صورت را به‌صورت ترکیبی استفاده کرد.

چکیده انگلیسی:

This study examines various facial expressions using single-channel electromyography with minimal computational complexity for real-time applications. The electromyography data of facial muscles is derived from the electrical potential generated by different facial expressions, which can have varying values for each expression. In this study, electromyography data were recorded from the facial muscles of six female participants with a mean age of 25±5 years. After applying a fourth-order Butterworth filter, the data were divided into 10-second windows, and 12 features were extracted in both time and frequency domains. To reduce computational load, Principal Component Analysis (PCA) was utilized for feature reduction, while classification of the data was performed using artificial neural networks and decision trees. After applying the filters and extracting features, the data were classified using multilayer perceptron classifiers with an accuracy of 73.57%, decision trees with an accuracy of 95.16%, MPL-PCA with an accuracy of 65.20%, and DT-PCA with an accuracy of 96.33%. Challenges in this study include the small number of participants and the single-channel nature of the data. Future studies could combine facial muscle data.