CC BY
74Список литературы
1. Шелухин О.И., Сакалема Д.Ж., Филипова А.С. Обнаружение вторжении в компьютерные сети. Сетевые аномалии. М.: Горячая линия - телеком, 2013. 220 с.
2. Нестеренко В.А. Статистические методы обнаружения нарушений безопасности в сети II Информационные процессы, 2006. Т. 6. № 3. С. 208-217.
РАЗРАБОТКА ПРОГРАММНЫХ СРЕДСТВ ДЛЯ АНАЛИЗА
СИГНАЛОВ ЭЛЕКТРОМИОГРАФИИ 1 2 Браташев А.В. , Мельников А.О.
1Браташев Андрей Валерьевич - студент;
2Мельников Алексей Олегович - доцент, кафедра управления и моделирования систем, Российский технологический университет, г. Москва
Аннотация: современные системы распознавания жестов на основе электромиографии часто ограничены точностью измерительной и аналитической системы. В этой статье мы используем сигналы электромиографии для классификации и распознавания пяти классов движений рук. Мы используем адаптивную систему нейро-нечеткого логического вывода (ANFIS) для идентификации команд движения рук. Обучение нечеткой системы проводилось с помощью метода градиентного спуска, в качестве функции потерь использовалась квадратичная функция. В результате эксперимента была достигнута средняя точность 93% при использовании шести признаков сигнала. Ключевые слова: ЭМГ, классификация, распознавание жестов, Arduino.
В настоящее время благодаря использованию современных электрофизиологических методов получены подробные сведения о закономерностях функционирования нервно-мышечной системы. Однако инструментарий, необходимый для проведения исследования активности мышц, крайне дорогостоящий, т.к. решает проблему повышения точности аппаратными средствами. Анализ сигналов электромиографии показывает, что полученный аналоговый сигнал можно программно классифицировать, но точной классификации типа движения препятствует низкое отношение сигнал/шум в измерительной системе. Искажения сигнала могут возникать из-за побочного влияния сигналов электрической активности сердца, сдвигов электродов относительно назначенного положения. Таким образом задача классификации ЭМГ и фильтрации сигнала от различных шумов является актуальной и по сей день.
Для исследования отведения ЭМГ существуют поверхностные и игольчатые электроды. Использование поверхностных электродов ведет к потере качества полученного сигнала из-за ряда факторов, которые могут быть и механическими, и анатомическими, однако поверхностные электроды более атравматичны, поэтому безопаснее использовать именно их. Для проведения эксперимента были выбраны поверхностные электроды и биполярное отведение - способ отвода, когда два электрода находятся на относительно небольшом расстоянии, на одной мышце. В качестве аппаратуры использовался Arduino UNO с подключенным к нему одноканальным Olimex EMG Shield.
Проводя исследование, был проведен обзор существующих методов и решений. Было замечено, что высокая точность классификации в основном достигается
увеличением числа каналов, т.е. аппаратными средствами. Примеры найденных работ продемонстрированы в таблице 1.
Таблица 1. Существующие методы и решения
Авторы Классификатор Точность Признаки сигнала Число каналов
Ibrahimy M.I., Khalifa O.O., Ahsan M.R Back propagation artificial neural network 89.2% MAV,RMS, VAR, SD, ZC, SSC & WL 1
Uchida M., Ide H Fuzzy interference system (FIS) 90% FFT 1
Oyama T., Mitsukura Y Neural Network + Fisher's linear discriminant 94% FFT 2
Shenoy P, Miller KJ, Crawford B, Rao RN SVM 92-98% RMS, AR coefficients 4
Rajesh V., Kumar P.R., Reddy D.V. Back propagation artificial neural network 97.5% RMS,Entropy 4
В табличке видно, что максимальный процент классификации среди одноканальных классификаторов показала система нечеткого вывода. Она и была выбрана в качестве основного метода классификации.
Структура сети нечеткого вывода, на которой работал классификатор, продемонстрирована на рисунке 1.
Рис. 1. Структура сети нечеткого вывода
Как видно на рисунке, сеть состоит из 5 слоев:
1) Каждый узел первого слоя представляет собой один терм с колоколообразной функцией принадлежности. Сетевые входы связаны только с их условиями. Численность узлов первого слоя равно сумме степеней терм-множеств входных переменных. Выход узла - это степень, в которой значение входной переменной принадлежит соответствующему нечеткому терму.
2) Каждый узел второго слоя соответствует одному нечеткому правилу. Узел второго уровня связан с теми узлами первого уровня, которые образуют антецеденты
соответствующего правила. Следовательно, каждый узел второго уровня может принимать от 1 до п входных сигналов. Выход узла является степенью выполнения правила, которое рассчитывается как произведение входных сигналов.
3) Количество узлов третьего уровня равно количеству правил. Каждый узел этого слоя вычисляет относительную степень выполнения нечеткого правила.
4) Количество узлов в четвертом слое также равно количеству правил. Каждый узел подключен к одному узлу третьего уровня, а также ко всем входам сети (на рис. 1 соединения с входами не показаны). Узел четвертого уровня вычисляет вклад одного нечеткого правила в вывод сети.
5) Единственный узел этого слоя суммирует вклады всех правил.
В качестве функции принадлежности используется колоколообразная функция вида:
1
МР(х; а, Ъ, с) =-х — с-
1 +
12 Ъ
а 1
Разработанный классификатор на основе сети, основанной на системе нечеткого вывода, показал среднюю точность классификации 93% на тестовой выборке при использовании 6 признаков сигнала. Результат классификации продемонстрирован в таблице 2.
Таблица 2. Сравнение классификаторов
ъ
ANFIS
Тип классификатора Один против всех
Количество признаков 6 (MAV, SSC, ZC, IEMG, RMS, WVLT LOC MAX)
Подготовка признаков минимакс нормализация
Достигнутая точность 93%
Выводы
• В работе была разработана технология предобработки сигнала, для улучшения процента классификации.
• Создана методика детектирования активности сигнала электромиографии.
• Было разработано программное средство, позволяющее классифицировать сигналы электромиографии на основе сети нечеткого вывода (ANFIS).
• Натурный эксперимент продемонстрировал вероятность ошибочной классификации меньше 10% c использованием одного канала и дешевой аппаратуры для пяти движений, тем самым доказав возможность изготовления доступных, дешевых и простых биоинтерфейсов.
Список литературы
1. Ефиторов А.О., Доленко С.А. Бинарная классификация состояний динамической системы с помощью алгоритмов машинного обучения. Нейроинформатика-2016. Сборник научных трудов, 2016г. 143-150 с.
2. Jaramillo Andrés G., Benalcázar Marco E.. Real-time hand gesture recognition with EMG using machine learning. IEEE Second Ecuador Technical Chapters Meeting, 2017.
3. Jonghwa Kim, Stephan Mastnik, Elisabeth André. EMG-based Hand Gesture Recognition for Realtime Biosignal Interfacing. 13th international conference on Intelligent user interfaces, 2008. 30-39.
4. Алексеева В.А. Использование методов машинного обучения в задачах бинарной классификации. Автоматизация процессов управления, 2015. 58-63.
5. Khezri M., Jahed M., Sadati N. Neuro-Fuzzy Surface EMG Pattern Recognition For Multifunctional Hand Prosthesis Control. IEEE International Symposium on Industrial Electronics, 2007.
