بررسی و تحلیل روش های استخراج ویژگی مبتنی بر الگوریتم ژنتیک چندهدفه و ماشین بردار پشتیبان برای کلاس بندی سیگنال های الکترو مایوگرام عضلات بازو

سالهاست به منظور توانبخشی و ساخت اندام مصنوعی سعی محققین بر این بوده که زمان پردازش کاهش داده شود تا برای استفاده های زمان حقیقی  مناسب باشد، هرچند در این زمینه تا حدودی موفق بوده اند ولی در اکثر تحقیقات قبلی مسئله آشکارسازی نوع حرکت پیش از مشاهده آن مورد توجه نبوده است. نشان داده شده به کمک روش های بهینه‌سازی چند‌هدفه، میتوان از تقابل بین اهداف مختلف منجر به جوابی شد که در حقیقت مصالحه‌ای بین اهداف مختلف است همچنین از مزایای این روش نسبت به روشهای تک هدفه میتوان به شناسایی تعداد بیشتر راه حل ها، قابلیت اضافه کردن قوانین مختلف در آینده و واقعی تر بودن مدلهای ارائه شده در این مسائل اشاره نمود. هدف کلی این پژوهش، ارائه راهکاری مناسب جهت تشخیص بلادرنگ نوع حرکت مورد اراده فرد در عضلات بازو مبتنی بر پردازش سیگنال های الکترو مایوگرام سطحی برای کنترل یک ساعد سایبرنتیکی با استفاده از ویژگیهای مناسب زمان- فرکانسی است که توسط الگوریتم ژنتیک چندهدفهnsga-ii  گزینش میشود، همچنین استفاده از ماشین بردار پشتیان به عنوان طبقه بندی کننده  به منظور آشکارسازی زمان حقیقی نوع حرکت به کار گرفته شده است. نتایج حاصل از پردازش 10۰ نمونه داده ثبت شده از عضلات بازو 5 سوژه سالم نشان میدهد که میتوان با استفاده از روش پیشنهادی، با طول پنجره بهینه  ms256 و با صحت بالای % ۹۸.۴۳، فرآیند شناسایی حرکت ساعد دست را در سه حالت مختلف تشخیص و مورد استفاده قرار داد. بنابراین میتوان ادعا کرد که استفاده از این روش، منجر به دستیابی به خطای بهینه‌سازی کمتر و همچنین سرعت همگرایی کمتری نسبت به روشهای قبلی می‌شود.