دانلود و نمایش مقالات مرتبط با sEMG::صفحه 1
بلافاصله پس از پرداخت دانلود کنید

با سلام خدمت کاربران عزیز، به اطلاع می رساند ترجمه مقالاتی که سال انتشار آن ها زیر 2008 می باشد رایگان بوده و میتوانید با وارد شدن در صفحه جزییات مقاله به رایگان ترجمه را دانلود نمایید.

نتیجه جستجو - sEMG

تعداد مقالات یافته شده: 9
ردیف عنوان نوع
1 Teleoperated robotic arm movement using electromyography signal with wearable Myo armband
حرکت بازوی روباتیک از راه دور با استفاده از سیگنال الکترومیوگرافی با بازوبندهای پوشیدنی Myo-2019
The primary purpose of this research is to move a 5-DoF Aideepen ROT3U robotic arm in real-time based on the surface Electromyography (sEMG) signal obtained from a wireless Myo gesture armband to distinguish seven hand movements. The pattern recognition system is employed to analyze these gestures and consists of three main parts: segmentation, feature extraction, and classification. Overlap technique is chosen for segmenting portion of the signal. Six-time domain features, namely, Mean Absolute Value (MAV), Waveform Length (WL), Root Mean Square (RMS), Autoregressive Coefficients (AR), Zero Crossings (ZC), Slope Sign Changes (SSC) are extracted from each segment. While the Support Vector Machines (SVM), Linear Discriminant Analysis (LDA), and K-Nearest Neighbor (K-NN) classifiers are employed in the classification of the seven hand movements. Moreover, a comparison between their performance is carried out to obtain optimum accuracy. The proposed system is tested on datasets extracted from six healthy subjects and the results showed that the SVM achieved higher system accuracy with 95.26% compared to LDA with an accuracy of 92.58%, and 86.41% accuracy achieved by K-NN.
Keywords: Electromyography signal | Myo gesture armband | Pattern recognition | Robotic arm | Due Arduino
مقاله انگلیسی
2 The recognition of grasping force using LDA
شناخت نیروی درک با استفاده از LDA-2019
This paper proposes an EMG recognition system of grasping force on the basis of the pattern recognition,which can classify the surface electromyography (sEMG) signals from 2 electrodes and recognize thegrasping force. Ten characteristics in time domain and frequency domain are chosen as the primaryfeatures to combine feature sets, to obtain an optimal feature set. The linear discriminant analysis (LDA)is used to reduce the dimension of the features vector to a one-dimensional vector matrix, and patternrecognition to classify and recognize it. In online recognition, to obtain continuous recognition values,the quadratic polynomial fitting is utilized to find the relationship between the one-dimensional vectormatrix and grasping forces.
Keywords:Electromy | ographyMyoelectric control | Grasping force | LDA | Quadratic polynomial fitting
مقاله انگلیسی
3 Pattern recognition based on HD-sEMG spatial features extractionfor an efficient proportional control of a robotic arm
تشخیص الگوی مبتنی بر ویژگیهای مکانی HD-sEMG برای استخراج یک کنترل متناسب کارا از بازوی روباتیک-2019
To enable an efficient alternative control of an assistive robotic arm using electromyographic (EMG)signals, the control method must simultaneously provide both the direction and the velocity. However,the contraction variations of the forearm muscles, used to proportionally control the device’s velocityusing a regression method, can disturb the accuracy of the classification used to estimate its directionat the same time. In this paper, the original set of spatial features takes advantage of the 2D structureof an 8 × 8 high-density surface EMG (HD-sEMG) sensor to perform a high accuracy classification whileimproving the robustness to the contraction variations. Based on the HD-sEMG sensor, different muscularactivity images are extracted by applying different spatial filters. In order to characterize their distributionspecific to each movement, instead of the EMG signals’ amplitudes, these muscular images are dividedin sub-images upon which the proposed spatial features, such as the centers of the gravity coordinatesand the percentages of influence, are computed. These features permits to achieve average accuraciesof 97% and 96.7% to detect respectively 16 forearm movements performed by a healthy subject withprior experience with the control approach and 10 movements by ten inexperienced healthy subjects.Compared with the time-domain features, the proposed method exhibits significant higher accuracies inpresence of muscular contraction variations, requires less training data and is more robust against thetime of use. Furthermore, two fine real-time tasks illustrate the potential of the proposed approach toefficiently control a robotic arm.
Keywords:Pattern recognition | HD-sEMG | Spatial features | Spatial filtering | Sequentiel and propotionnal | controlLinear regression | Assistive robotics
مقاله انگلیسی
4 Classification of multichannel surface-electromyography signals based on convolutional neural networks
طبقه بندی سیگنال های الکترومیوگرافی سطحی چند کاناله بر اساس شبکه های عصبی کانونشنال-2019
Electromyography is a science that studies or detects bioelectrical activity of muscles to analyze skills and morphological changes of the neuromuscular system and contributes to studies on the neuromuscular system. Surface electromyography (SEMG) signal is a bioelectrical signal emitted when nervous and muscular activities are recorded from the surface of human skeletons by means of poles, which can reflect the functional state of nerves and muscles under non-invasive conditions on a real-time basis. SEMG signals found a wide application in different fields including prosthesis control, sports medicine, rehabilitation medicine, and clinical diagnosis. However, how to efficiently exact features from SEMG signals to realize accurate recognition of action modes is a key issue for the practice of electromyography-controlled prostheses and to achieve precision of rehabilitation treatment. Deep learning reveals drastic changes in many fields of machine learning, including machine vision and voice recognition, over the past few years. We use convolutional neural networks (CNNs) to extract deep features from SEMG signals and classify actions. CNNs exhibit good translation invariance due to its characteristics of local connection and weight sharing. If SEMG signals were applied in the modeling of electromyography signal recognition, then the diversity of electromyography signal itself can be overcome using invariance in convolutions. Therefore, in this study, the spectrogram obtained by analyzing electromyography signals is proposed to be used as an image. Intensively used deep convolutional networks in the image were also adopted to conduct the gesture motion recognition of SEMG signals.
Keywords: Motor rehabilitation | Electromyography | CNN | Spectrogram | Pattern recognition
مقاله انگلیسی
5 Pattern recognition of SEMG based on wavelet packet transform and improved SVM
تشخیص الگوی SEMG بر اساس تبدیل بسته های موجک و بهبود SVM-2019
The purpose of this paper is to solve the problem of low recognition accuracy of three-degree-offreedom myoelectric prosthesis and long training time.According to the nonstationarity of the EMG signal, the wavelet packet is used to decompose the EMG signal and the energy and variance of the wavelet packet coefficients of the four-channel EMG signal are extracted as feature vectors.Then Particle Swarm Optimization(PSO) was combined with improved support vector machine(ISVM) to construct a new model(PSO-ISVM). Under the premise of ensuring the sparseness of the SVM, the slack variables and the decision function was improved to reduce the constraint conditions for solving the optimal face in the quadratic programming. SVM is optimized by the PSO in order to improve the accuracy of the model.The experimental results show that the improved algorithm can effectively identify six kinds of commonly used upper limb movements compared with the traditional SVM. The average recognition rate reaches 90.66% and training time can be shortened 0.042 s.
Keywords: Three degrees of freedom electromyographic | prosthesis | EMG | Wavelet packet | SVM | Particle swarm optimization
مقاله انگلیسی
6 تکنیک حذف آرتیفکت تحریک برای پردازش سیگنال SEMG در طی تحریک الکتریکی عملکردی (FES)
سال انتشار: 2015 - تعداد صفحات فایل pdf انگلیسی: 9 - تعداد صفحات فایل doc فارسی: 33
هدف اين مطالعه طراحي يك روش براي استخراج EMG ارادي از الكترومايوگرافي سطحي ثبت‌شده ، آلوده‌شده توسط آرتیفکت تحريك الكتريكي كاربردي بود. متد:با توجه به اينكه آرتیفکت FESبه‌طور پريوديك با اندازه نسبتا بزرگ در EMG نا ايستا ظاهر می‌شود،ما يك فيلتر تطابقي منطبق با بهينه سازي الگوريتم ژنتيك طراحي كرديم هر دو ديتاي شبیه‌سازی‌شده و واقعي از هفت سوژه توسط فيلتر ژنتيك و فيلتر كامب(شانه) بدست امد.براي ازمايش تاثير فيلتر بر روي EMG الوده شده با ارتيفكت FESبا شدت هاي مختلف ،EMG الوده شده با تركيب ارتيفكت شبيه سازي و EMG تمیز با ارتيفكت هاي FESمتفاوت به نسبت EMG تمیز ،تحریک شد.
مقاله ترجمه شده
7 الکترومیوگرافی سطحی مبتنی بر برآورد مستمر زوایای مفصل از پاهای انسان با استفاده شبکه عصبی
سال انتشار: 2012 - تعداد صفحات فایل pdf انگلیسی: 10 - تعداد صفحات فایل doc فارسی: 27
در این مقاله ، ما یک مدل غیرخطی درجه m ام را برای تشریح رابطه بین سیگنالهای الکترومیوگرافی سطحی (sEMG) و زوایای مفصل پاهای انسان را پیشنهاد میدهیم که در آن شبکه عصبی BP ساده ای برای براورد مدل ایجاد شده است. ورودی های مدل، سری های زمانی sEMG می باشد که پردازش شده و نتایج مدل زوایای اتصال مفصل ران ، زانو ، و مچ پا می باشد. برای معتبر کردن سودمندی شبکه خنثی BP ، 6 فرد توانای جسمی و 4 بیمار آسیب نخاعی (SCI) در آزمایش مشارکت کردند. دو حالت حرکتی شامل تمرین تردمیل و تمرین کشش پا با سرعتهای مختلف و بارهای متفاوت به ترتیب با افراد توانای جسمی انجام گرفت، و تنها تمرین تردمیل برای بیماران SCI انتخاب شد. 7 کانال sMEG از 7 ماهیچه پای انسانی و سه زاویه مفصل شامل مفصل ران ، زانو و مچ پا به طور همزمان نمونه گیری شد. نتایج نشان میدهد که این روش یک عملکرد مناسب از برآورد زوایای مفصل با استفاده از sMEG برای هر دو افراد توانای جسمی و بیماران SCI بوده است. براورد خطای زاویه میانگین ریشه دوم میانگین ( rms) برای تمرین کشش پا کمتر از 9 درجه است، خطای rms میانگین برای تمرین تردمیل کمتر از 6 درجه برای همه افراد توانای جسمی بود. خطای برآورد زاویه میانگین rms بیماران sci حتی کمتر ( کمتر از 5 درجه ) نسبت به افراد توانای جسمی بود زیرا بازه حرکتی آنها کوچکتر بود. این روش برای توانبخشی روبات یا شبیه سازی الکتریکی کارکردی (FES) برای توانبخشی فعال بیماران SCI یا بیماران سکته مغزی کرده بر پایه سیگنالهای sEMG استفاده میشود. کلمات کلیدی: sEMG | توانبخشی | BP | SCI
مقاله ترجمه شده
8 الکترومیوگرافی سطحی مبتنی بر برآورد مستمر زوایای مفصل از پاهای انسان با استفاده شبکه عصبی
سال انتشار: 2012 - تعداد صفحات فایل pdf انگلیسی: 10 - تعداد صفحات فایل doc فارسی: 27
در این مقاله ، ما یک مدل غیرخطی درجه m ام را برای تشریح رابطه بین سیگنالهای الکترومیوگرافی سطحی (sEMG) و زوایای مفصل پاهای انسان را پیشنهاد میدهیم که در آن شبکه عصبی BP ساده ای برای براورد مدل ایجاد شده است. ورودی های مدل، سری های زمانی sEMG می باشد که پردازش شده و نتایج مدل زوایای اتصال مفصل ران ، زانو ، و مچ پا می باشد. برای معتبر کردن سودمندی شبکه خنثی BP ، 6 فرد توانای جسمی و 4 بیمار آسیب نخاعی (SCI) در آزمایش مشارکت کردند. دو حالت حرکتی شامل تمرین تردمیل و تمرین کشش پا با سرعتهای مختلف و بارهای متفاوت به ترتیب با افراد توانای جسمی انجام گرفت، و تنها تمرین تردمیل برای بیماران SCI انتخاب شد. 7 کانال sMEG از 7 ماهیچه پای انسانی و سه زاویه مفصل شامل مفصل ران ، زانو و مچ پا به طور همزمان نمونه گیری شد. نتایج نشان میدهد که این روش یک عملکرد مناسب از برآورد زوایای مفصل با استفاده از sMEG برای هر دو افراد توانای جسمی و بیماران SCI بوده است. براورد خطای زاویه میانگین ریشه دوم میانگین ( rms) برای تمرین کشش پا کمتر از 9 درجه است، خطای rms میانگین برای تمرین تردمیل کمتر از 6 درجه برای همه افراد توانای جسمی بود. خطای برآورد زاویه میانگین rms بیماران sci حتی کمتر ( کمتر از 5 درجه ) نسبت به افراد توانای جسمی بود زیرا بازه حرکتی آنها کوچکتر بود. این روش برای توانبخشی روبات یا شبیه سازی الکتریکی کارکردی (FES) برای توانبخشی فعال بیماران SCI یا بیماران سکته مغزی کرده بر پایه سیگنالهای sEMG استفاده میشود.
کلمات کلیدی: sEMG | توانبخشی | BP | SCI
مقاله ترجمه شده
9 کنترل غیر تهاجمی مبتنی بر sEMG برای هدایت از راه دور ربات برقی انسان نما
سال انتشار: 2011 - تعداد صفحات فایل pdf انگلیسی: 6 - تعداد صفحات فایل doc فارسی: 14
این مقاله کاربرد رابط غیر تهاجمی sEMG (ثبت گرافیکی فعالیت الکتریکی بازو غیر تهاجمی ) برای کنترل ربات انسان نما بین جاهای دور از طریق ارتباطات اینترنتی بی سیم ارائه می کند. به منظور اینکه سیگنال های sEMG سه حرکت مچ را تشخیص دهند بواسطه پوست بازوی کاربر سنجیده می شوند. حرکات مچ دستورهایی را برای ربات انسان نما می دهد. جهات حرکت مچ بطور حسی با جهات حرکت ربات قابل مقایسه است، بنابراین کاربر می تواند ربات را به طور طبیعی کنترل کند. با ادغام دستگاه خودکار با رابط مبتنی بر sEMG، حرکات احتمالی ربات گسترش می یابد. بمنظور اطلاعات محیطی از مکان های دور دست، تصاویر دوربین بر روی سر ربات به صفحه رابط کامپیوتر انتقال داده می شود. ما آزمایشاتی را انجام دادیم که در آن افراد، ربات انسان نما را کنترل می کنند تا به هدایت ان از موقعیت آغازی به طرف مقصد بپردازند. نتایج آزمایشی اثبات می کند که امکان روش رابط با مقایسه آن با کنترلگر کیبورد وجود دارد.
کلمات کلیدی: رابط مبتنی بر sEMG | ماهیچه | حرکت مچ | کنترل هدایت ربات انسان نما
مقاله ترجمه شده
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi