Замонавий биоинтерфейс яратиш учун бармоқларнинг баъзи Нозик ҳаракатларини таснифлаш Текст научной статьи по специальности «Химические науки»

УДК: 61.002 TypFyHOB А.М., Зохиров ;.Р., Шаропова Б.Н.

ЗАМОНАВИЙ БИОИНТЕРФЕЙС ЯРАТИШ УЧУН БАРМОЦЛАРНИНГ БАЪЗИ НОЗИК ^АРАКАТЛАРИНИ ТАСНИФЛАШ

TypFyrnB А.М. - т.ф.н, доцент; Зохиров ;.Р. - докторант; Шаропова Б.Н. - талаба (Мухаммад ал-Хоразмий номидаги ТАТУ Карши филиали)

Одним из наиболее очевидных и эффективных способов распознавания различных движений пальцев является классификация сигналов от мышц, возникающих при любом движении. В этой статье приведены результатом сравнений различных действий, основанные на данных сигнала ЭЫГ (электромиография), которые были выполнены на основе известных алгоритмов искусственного интеллекта. Цель работы - доказать возможность создания недорогих и точных систем биоинтерфейса на основе сигналов ЭМГ.

Ключевые слова: сигнализация ЭМГ, алгоритмы классификации, искусственный интеллект, BITalino, SVM (машина опорных векторов), дерево решений, особенности, коммуникация человека и компьютера (IKA), классификация.

One of the most obvious and effective methods of recognizing various finger movements is the classification of signals from muscles that occur during any movement. In this article, various actions based on EMG signal data (electromyography) were performed based on well-known artificial intelligence algorithms, and the results were compared. The purpose of the work is to prove the possibility of creating inexpensive and accurate bio-interface systems based on EMG signals.

Key words: EMG signaling, classification algorithms, artificial intelligence, BITalino, SVM (support vector machine), decision tree, features, human computer interaction (HCI), classification.

Компьютер технологиялари ривожланиши билан инсон ва компьютернинг узаро алокаси (ИКА) асосан компьютернинг периферик воситалари (сичконча, клавиатура) оркали бошкарилган. Аммо аппарат ва дастурий воситаларининг ривожланиши ва замонавий технологиялар (интернет буюмлари, булутли технологиялар) кириб келиши натижасида янги бошкарув тизимлари яратила бошланди, буларга куйидагиларни мисол килишимиз мумкин.

• Овозли бошкарув [1].

• Бармоклар оркали бошкарув (видео камера оркали [2], махсус кулкоплар оркали, махсус сенсорлар оркали).

• Мия-компьютер ЭЭГ (электроэнцефалография) интерфейси [3] ва бошкалар.

Ушбу интерфейслардан фойдаланиш ташки курилмалар билан узаро алока килиш имконияти булмаган ва махсус вазиятларда кулайдир.

Кул харакатларини аниклик ва улар асосида ИКА тизимларини ишлаб чикишнинг энг аник ва самарали усулларидан бири харакат натижасида юзага келадиган мушакларнинг фаолиятини таснифлашдир. Шунинг учун хар кандай курилмани бошкариш учун мушакларнинг биоэлектрик фаоллиги сигналларидан фойдаланиш бугунги куннинг долзарб масалаларидан биридир. Ушбу харакатни кайд этиш учун электромиография (ЭМГ) сигнали ишлатилади. Шунингдек, ЭМГ сигналларининг доираси жуда кенг булиб, улар тиббиётда мушаклар фаолиятининг урганиш учун, реабилитация тадбирларининг самарадорлигини бахолашда хамда одамнинг холатини кузатишда ишлатилиши мумкин.

ЭМГ сигнали танадаги мускул активлигини кайд килувчи биосигнал хисобланади. Ушбу маколада ЭМГ сигналининг баъзи мухим булган хусусиятлари ва таснифлаш усуллари тугрисида тахлил натижалари келтирилган.

ЭМГ сигнали вакт утиши билан узгариб туриши ва шовкин туфайли таркибида бузилишлар учраши мумкин. Унинг аник кийматларини олиш, аникликни ошириш ва хисоблашларнинг талабини камайтириш учун хусусиятларга ажратиш ва таснифлаш усулларини тугри танлаш мух,им саналади.

1-расм. ЭМГ сигналига асосланган бошкарув тизимларида сигнални кайта ишлаш

жараёни

ЭМГ сигналига асосланган бошкарув тизимлари методологияси асосан маълумотларни йигиш, сигнални созлаш, хусусиятни ажратиш, таснифлаш ва бошкариш каби боскичлардан иборат (1-расм).

Демак, ЭМГ сигналини кабул килиш боскичида асосан инсон танасидан ноинвазив усулда сигнални кайд килиш жараёни амалга оширилади. Кейинги боскичда асосан сигнални тугрилаш, яъни кайта ишлаш жараёнига сигнални тайёрлаш (сигнални фильтрлаш, сегментлаш, фреймларга ажратиш ва бошкалар) амалга оширилади. Хусусиятларни ажратиш боскичи ушбу илмий йуналишнинг асосий боскичи саналади, бунда ЭМГ сигналнинг бизга керакли булган параметрлари танловининг энг оптимал вариантини аниклаш таказо этилади, таснифлаш боскичи эса хозирда мавжуд булган сунъий интеллект алгоритмларини, уларнинг гибридини ёки бутунлай янги булган интеллектуал алгоритмидан фойдаланган холда амалга оширади. Бошкариш боскичи деганда, биз ташкил этган таснифлаш корпусини аппаратга утказиш жараёни тушунилади. Сунъий интеллект алгоритмлари оркали тестланган хар бир харакат курилмада бажариб курилади. Демак, ЭМГ сигнали асосидаги ИКА тизимлари бешта асосий боскичлардан иборат булади.

Турли мушакларнинг биоэлектрик фаоллигини тах,лил килганда, кайси мушаклар кандай харакатларга алокадорлигини куришимиз мумкин. Чунки инсон танасида мушакларнинг икки юздан ортик тури мавжуд булиб, хар бири ёки бир нечтасининг комбинацияси алох,ида хдракатларга жавоб беради.

Аппарат цисми. Сигналнинг табиати: Нерв импулси орка миядан мушак толасига бириктирилган нервнинг терминал пластинкасига келганидан сунг мушак толасининг мембранасида деполаризация содир булади. Деполаризация Са++ ионларининг ички хдракати туфайли юзага келади. Ушбу сохдда жойлашган электродлар мушак толаларининг кучланишини (электр потенциалини) кайд этади. Электромиёграфия сигналининг амплитуда диапазони микровольт бирликларидан бир неча унлаб милливольтларга кадар узгаради. Сигнални такрорлаш тезлиги 0,5 Гц дан бир неча юз Гц гача узгариши мумкин.

Электродлар: мушаклардаги биопотенциалларни кайд килиш учун тери юзасига ёпиштириладиган ва игнали куринишда булиши мумкин (2-расм) [4].

Юза электродлари мушакнинг тулик активлиги билан бир каторда, юзлаб хатто минглаб нерв толаларининг таъсирлашув потенциалларини хам кайд этади, бу эса албатта керакли сигналнинг маълум даражада бузилишига олиб келади.

Игнали электродлар оркали мушак активлигини улчашда игнани керакли мушакнинг ичига киритиш оркали амалга оширилади. Бу турдаги электродлар сигнални яхширок аникликда олиш мумкин булади, аммо бундай электродлар факат лаборатория шароитида ва тиббий мутахассислар иштирокида кулланилади.

(3), канот (4), электролит гели (5), ёпиштирувчи х,имоя плёнкаси (6)

ЭМГ сигнални олишда ишлатиладиган цурилма: ушбу тадкикот ишида BITalino курилмасидан фойдаланилган, унинг афзалликлари; тушунарли (содда), мобил, симсиз технологияга асосланган ва нисбатан арзон. Ушбу курилманинг техник курсаткичлари 1-жадвалда келтирилган [5,6].

1-жадвал

BITalino хусусуятлари

Спецификация

Намуна олиш улчами 1, 10, 100 хамда 1000 Hz

Аналог портлар 4 та кирувчи (10-бит) + 2 та кирувчи (6-бит)

Ракамли портлар 4 та кирувчи (1-бит) + 4 та чикувчи (1-бит)

Маълумотларга мурожаат Class II Bluetoth v2.0 (камрови 10 метргача)

Актуаторлар LED

Сенсорлар ECG; EMG; EDA; ....

Баттарейка 3.7В LiPo

Огирлиги 30 г

Улчами 100 x 60 мм

Сигнални туплаш. Ушбу ишда ёши 21 дан 30 ёшгача булган 17 та соглом одамдан (барчаси эркак киши) ЭМГ сигнал олинган.

Тажрибани бошлашдан олдин натижаларга таъсир килувчи омилларни яъни, тажриба вактида х,еч кандай стресс ва мушак чарчаши х,олатларни бартараф килиш зарур. Бундан ташкари, аник ва кам шовкинли ЭМГ сигнални олиш учун яхши ва мос мух,ит яратиш керак. Мушакларнинг чарчашини х,исобга олган х,олда маълумотлар 10 кун ичида ёзиб олинди.

Medial

Pronator teres

Flexor

carpi

radialis

Radius

epicondyle of humerus

Palmaris longus

Flexor carpi ulnaris

Ulna

Palmar aponeurosis

3-расм. Электродларнинг жойлашуви (radial fleksor carpus мушагининг куриниши ва

электроднинг кулдаги жойлашуви)

Мух,им омиллардан яна бири сигнални кайд килиш учун мушакнинг тугри турини танлаш хисобланади. Ушбу маколада билакдаги radial fleksor carpus мушаги оркали сигнал олинган (3-расм). Ушбу мушакдан учта харакат учун алох,ида сигнал ёзиб олинган. Ушбу

хдракатлар биринчи бармокни букиш (F1), урта бармокни букиш (F2) ва номсиз бармокни букиш (F3) х,исобланади (4-расм). Фойдаланилган учта харакатдан вужудга келувчи сигналларнинг куриниши 5-расмда келтирилган.

4-расм. Бармокларнинг учта харакати. F1 - курсаткич бармокни букиш, F2 - урта бармокни

букиш, F3 - номсиз бармокни букиш

5-расм. Учта харакатнинг ЭМГ сигнали.

Сигнални таснифлаш. Синфлашда биз иккита усулни куриб чикамиз: булар э^тимоллик зичлик функцияси оркали таснифлаш ва сигнал параметрларини машинали укитиш ва нейрон тармоклари алгоритмлари оркали таснифлаш.

1 - усул. Ушбу таснифлаш усулининг мох,ияти х,ар бир имо-ишора учун сигналларнинг энтропияси асосида х,ар бир имо-ишора учун эх,тимоллик зичлиги функцияси х,исобланади

Н (Х) = Т1=1 Р (Хт ) l0g2

1

Р (Хт )'

(1)

бу ерда х - М белгиланган ойнадаги бармокнинг букилиши ва чузилиши моментидаги катор-вектор; Н (х) - сигналнинг катор векторининг энтропияси; р (хт ) - х наъмуналарни п

кисмларга тенг буладиган амплитуда сеткалари э^тимоллиги.

/ ( Ь)-

1

42

гехр

жа

1

2а

(Ь - л)

(2)

бу ерда f— э^тимоллик зичлиги; ц = М [Н] — математик кутилма; а2 - М (Н) дисперсия.

Масалан, 60 та бармокни букиш буйича олинган сигнал мавжуд булсин, бунда х,ар бир сигналнинг энтропияси х,исобланади (1), натижада 60 та энтропия кийматининг вектори хосил булади. Кейин эса, ушбу энтропия кийматларига кура, э^тимоллик зичлиги топилади. Ушбу алгоритм оркали бошка бармок хдракатлари х,ам шу тартибда х,исобланади.

Натижада учала х,олат учун э^тимоллик зичлик кийматлари (6-расм) ва синов (7-расм) натижалари куйидача булди.

Вертикал чизиклар тестлаш намуналарининг жойлашишини курсатади. Шундай килиб, нотугри таснифлаш натижалари F1 учун 40 %, F2 учун 20 %, F3 учун эса 60 % ни ташкил этди.

Умуман олганда, ушбу усулда х,ар бир хдракат учун хато таснифлаш F1 учун 4 та, F2 учун 2 та, F3 учун эса 6 та булди. Таснифлашнинг умумий хатолиги 40% ни ташкил этди. Бу курсаткич умуман талабга жавоб бермайди, демак, ушбу усулда битта каналдан фойдаланиш тавсия этилмайди ва унда яхши натижа олиб булмайди, э^тимол бу усул учун ЭМГ сигнални кабул килиш учун каналлар сони мух,имдир.

2 - усул. Таснифлашни бошка усулларини куриб чикамиз. Булар SVM, персептрон ва тасодифий дарахт усули. Ушбу усулларнинг х,ар бири учун сигналнинг белгилари ишлатилади [7, 8]. Фойдаланилган алгоритмлар асосида куйидаги натижаларга эришилди:

• Персептрон тармогида укитишда жами саккизта хатолик булди (персептроннинг параметрлари: учта яширин катламдан биринчисида 10 та нейрон катлами, иккинчисида 15 та ва учинчисида 5 та нейрон катлами мавжуд).

• SVM алгоритмида эса бир хатолик топилди.

• Дарахт алгоритмидаги укитишда бир хатолик аникланди. Тестлаш натижалари хдкидаги маълумотлар 2-жадвалда келтирилган.

Биз сигналнинг мухим белгиларини ажратиб олиш оркали натижаларни яхшилашимиз мумкин. ЭМГ сигналнинг белгилари кетма-кетлиги:

1) ШМ^ 2) МУ; 3) MAV; 4) М^1; 5) MAV2; 6) ТМ4; 7) RMS; 8) V; 9) LOG; 10) DASDV; 11) MYOP; 12) WAMP; 13) MAVSLP; 14) SSI; 15) УАЯ; 16) STD; 17) WL; 18) ААС; 19) X; 20) йй; 21) PKF; 22) МЖ; 23) MDF; 24) МКР; 25) FR; 26) SM1; 27) SM0; 28) VCF; 29) SSC; 30) FMD_vec; 31) БМК_уес; 32) MFMD_vec; 33) МБМК^ес; 34-44) LPC._

2-жадвал

Тестлаш натижалари__

Усул SVM Персептрон Дарахт

Классификациянинг хатоликлар э^тимоллиги 3,7% 5.9% 4.1%

Ушбу хусусиятларнинг кандай х,исобланишларини аввалги маколаларимиздан ёки интернет манбаларидан билишингиз мумкин. Биз LPC белгиларини х,ам х,исоблаймиз, ушбу белги битта атрибутни эмас, балки 10 атрибут векторини х,исоблайди. 3-5 жадвалларда учта хдракат учун биз х,исоблаган белгилар кийматларини келтириб чикарилган.

3-жадвал

F1 харакат учун керакли белгилар туплами

7.4038882 0.0801966 9.284795185 0.0572916 0.0430229 0.0308488

6.5439807 0.0602472 16.89633199 0.0341763 0.0405802 0.0293114

5.6856475 0.0413782 23.42250047 0.0119602 0.0378359 0.0274596

8.4209335 0.0934505 33.76175531 0.0226059 0.0459858 0.0330167

4.1443869 0.0192519 38.36687014 0.0200631 0.0323665 0.0239543

7.0854992 0.0635481 46.54934982 -0.0283695 0.0421837 0.0305206

6.501214 0.0529775 53.83180179 -0.0398097 0.0404456 0.0297253

4.1991419 0.0190945

Энди оптимал чегара куйишимиз керак, чунки аникланган барча параметрлар бизга керак булмайди. Чегарани бир неча марта нейронимизни тестлаш натижасида аниклаймиз. Чегарадан юкори булган белгиларни х,исоблаймиз. Белгилар: MAV1; DASDV; MYOP; WAMP; WL; AAC; X; ff; SM1; DSQ; FMN_vec; MFMD_vec; LPC (2,3). Белгиларнинг тартиб раками куйидагича: 4; 10; 11; 12; 17; 18; 19; 20; 26; 29; 31; 32; 35; 36.

4-жадвал

F2 харакат учун керакли белгилар туплами

37.727665 1.7674888 28.27322324 0.0051325 0.0971181 0.0708656

23.743229 0.6217935 47.4721602 0.0642419 0.0772016 0.0557457

26.622751 0.6896112 67.68947346 0.061748 0.0817006 0.0605057

29.0384 0.9302389 88.45117416 0.0843081 0.0853231 0.0614843

19.439639 0.5724347 103.0082574 0.0684052 0.0698659 0.0485109

17.65179 0.4637257 115.8733771 0.0943547 0.0665614 0.0470597

20.206655 0.4684293 130.1217392 0.0737805 0.071192 0.052211

18.707599 0.4929982

Белгиларнинг тартиб раками: 1; 4; 10; 12; 13; 17; 18; 19; 20; 29; 31; 32; 35; 36.

5-жадвал

F3 харакат учун керакли белгилар туплами

12.616728 0.2268653 10.06771142 -0.0048493 0.0561621 0.0391138

8.8915408 0.1114922 17.29153612 -0.0323713 0.0472961 0.0334676

7.2665934 0.0993908 22.51124925 -0.0377309 0.0427606 0.0291303

6.0928673 0.0505053 27.43206518 -0.0239631 0.0391651 0.0276403

5.1536246 0.0425791 31.54054057 -0.0215985 0.0360305 0.025311

5.0233281 0.0339776 35.18195721 -0.0148722 0.0355646 0.0256761

3.3554276 0.0147362 37.75127415 -0.011761 0.0291161 0.02113

6.7125232 0.0674374

Белгиларнинг тартиб раками: 4; 10; 11; 12; 17; 18; 19; 20; 26; 29; 31; 32; 35; 36. Ушбу хусусиятлар тупламини учта таснифлаш усулида синовдан утказилди. Таснифлашнинг хатолик эхтимоллигини бахолаш натижалари 6-жадвалда келтирилган.

6-жадвал

Тестлаш натижалари

Усул SVM Персептрон Дарахт

Классификациянинг хатоликлар эхтимоллиги 2.1% 2.4% 1.1%

Кераксиз белгиларни олиб ташлаганимиздан кейин, таснифлашнинг хатолик эхтимоллиги яхшиланди. Бирок, хар бир усул учун ёки максаднинг хусусиятларига караб, хар бир субъектнинг алохида хусусиятлар тупламини танлаб олиш талаб этилади.

Хулоса. Ушбу маколада бир каналли ва арзон ускуналардан фойдаланган холда утказилган тажрибалар асосида инсоннинг учта харакатини таниш буйича яхши натижалар кулга киритилди. Шу билан бирга, арзон ва содда биоинтерфейсларни яратиш имконияти намойиш килинди ва осонлик билан сигнални параметрларининг тугри танлови оркали кул харакатларининг сонини ошириш мумкинлиги исботлаб берилди. Бундай интерфейслар келажакда масофавий бошкарувда, реабилитацияда ва куплаб бошка сохаларда биосигналлар оркали бошкарув тизимларининг ривожланишига замин яратади.

АДАБИЁТЛАР

1. Bilmes J. A. et al. (2005) The Vocal Joystick: A voice-based human-computer interface for individuals with motor impairments. In Proc. Conference on human language technology and empirical methods in natural language processing. P. 995-1002.

2. Kapur A. et al. (2005) Gesture-based affective computing on motion capture data. Internation- al conference on affective computing and intelligent interaction. Springer, P.1 7.

3. Wolpaw J. R. et al. (2002) Clinical neurophysiology. 113(6):767-791.

4. K.R.Zohirov. "Implantation of information technologies in rehabilitation", "STEMM - Science -Technology - Education - Mathematics - Medicine", of Uzbek-lsrael joint international conference, National University of Uzbekistan, Holon Institute Of Technology, Eye From Zion -Medical Humanitarian Mission, May 13-17, 2019.

5. Тургунов А.М., Зохиров КР. "Биосигналларни кайта ишлашда замонавий Биталино курилмасидан фойдаланиш", "Мухаммад ал-Хоразмий авлодлари" журнали, 2(4)/2018.

6. Тургунов А.М., Зохиров КР. "Биосигналларни кайта ишлашда фойдаланиладиган аппарат-дастурий комплексларнинг киёсий тахлили", "Мухдммад ал-Хоразмий авлодлари" журнали, 3(9)/2019.

7. Phinyomark A., Phukpattaranont P., Limsakul C. (2012) Expert Systems with Applications. 39(8):7420-7431.

8. Зохиров К.Р. "Сунъий интеллект алгоритмлари ёрдамида бармок харакатларини таснифлаш", "ТАТУ хабарлари" журнали, 1(53)/2020.