Глибоке інформаційно-екстремальне машинне навчання системи розпізнавання електроміографічних біосигналів
DOI:
https://doi.org/10.25140/2411-5363-2025-2(40)-171-184Ключові слова:
інформаційно-екстремальне машинне навчання; електроміографічний сигнал; інформаційний критерій; оптимізація; декурсивне бінарне дерево; протез кісті рукиАнотація
Метою дослідження є підвищення точності машинного навчання системи розпізнавання електроміографічних біосигналів для керування протезом кисті руки. Запропоновано в межах функціонального підходу до моделювання ко-гнітивних процесів природного інтелекту метод ієрархічного інформаційно-екстремального машинного навчання за декурсивною бінарною структурою даних. Метод дозволяє багатокласове машинне навчання звести до двохкласового для кожної страти декурсивношго дерева, що є необхідною умовою побудови високодостовірних вирішувальних пра-вил. Оптимізація параметрів машинного навчання здійснюється за модифікованим авторами критерієм Кульбака. За результатами машинного навчання побудовано високодостовірні вирішувальні правила для розпізнавання восьми ос-новних жестів кісті руки.
Посилання
Svensson, P., Wijk, U., Björkman, A., & Antfolk, C. (2017). A review of invasive and non-invasive sensory feedback in upper limb prostheses. Expert Review of Medical Devices, 14(6), 439–447. https://doi.org/10.1080/17434440.2017.1332989.
Salminger, S., Stino, H., Pichler, L. H., Gstoettner, C., Sturma, A., Mayer, J. A., Szivak, M., & Aszmann, O. C. (2022). Current rates of prosthetic usage in upper-limb amputees – Have innovations had an impact on device acceptance? Disability and Rehabilitation, 44(14), 3708–3713. https://doi.org/10.1080/09638288.2020.1866684.
Stango, A., Negro, F., & Farina, D. (2015). Spatial correlation of high density EMG signals provides features robust to electrode number and shift in pattern recognition for myocontrol. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 23(2), 189–198. https://doi.org/10.1109/TNSRE.2014.2366752.
Sattar, N. Y., Kausar, Z., Usama, S. A., Farooq, U., & Khan, U. S. (2021). EMG based control of transhumeral prosthesis using machine learning algorithms. International Journal of Control, Automation and Systems, 19(10), 3522–3532. https://doi.org/10.1007/s12555-019-1058-5.
Abbaspour, S., Lindén, M., Gholamhosseini, H., Naber, A., & Ortiz-Catalan, M. (2020). Evaluation of surface EMG-based recognition algorithms for decoding hand movements. Medical & Biological Engineering & Computing, 58(1), 83–100. https://doi.org/10.1007/S11517-019-02073-Z.
Roche, A. D., Rehbaum, H., Farina, D., & Aszmann, O. C. (2014). Prosthetic myoelectric control strategies: A clinical perspective. Current Surgical Reports, 2(3), Article 44. https://doi.org/10.1007/ s40137-013-0044-8.
Zhang, T., Jiang, L., & Liu, H. (2018). Design and functional evaluation of a dexterous myoelectric hand prosthesis with biomimetic tactile sensor. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 26(7), 1391–1399. https://doi.org/10.1109/tnsre.2018.2844807.
Atzori, M., Cognolato, M., & Müller, H. (2016). Deep learning with convolutional neural networks applied to electromyography data: A resource for the classification of movements for prosthetic hands. Frontiers in Neurorobotics, 10, Article 9. https://doi.org/10.3389/fnbot.2016.00009.
Fang, Y., Yang, J., Zhou, D., & Ju, Z. (2022). Modelling EMG driven wrist movements using a bio-inspired neural network. Neurocomputing, 470, 89–98. https://doi.org/10.1016/j.neucom.2021.10.104.
Dovbysh, A. S., Piatachenko, V. Y., Myronenko, M. I., Suprunenko, M. K., & Simonovskiy, J. V. (2024). Hierarchical information-extreme machine learning of hand prosthesis control system based on decursive data structure. Journal of Engineering Sciences, 11(2), E1–E8. https://doi.org/ 10.21272/jes.2024.11(2).e1.
Suprunenko, M. K., Zborshchyk, O. P., & Sokolov, O. Yu. (2022). Information-extreme machine learning of wrist prosthesis control system based on the sparse training matrix. Journal of Engineering Sciences, 9(2), E28–E35. https://doi.org/10.21272/jes.2022.9(2).e4.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.
