Diseño de un 1D-CNN para clasificar señales EMG de superficie (SEMG)

Amputar el antebrazo, el dedo o la mano es el mayor problema para el sujeto discapacitado. Por lo tanto, Prosthetic desempeña un papel importante para que los amputados modifiquen la capacidad y movilidad de sus actividades sistemáticas. El uso de señales EMG de discriminación del movimiento de mano...

Descripción completa

Detalles Bibliográficos
Autores principales:	Saleh Dawood, Musaab, Lokman Aldabag, Mohand
Formato:	Online
Idioma:	eng
Publicado:	Universidad Nacional de Ingeniería (UNI) en Managua 2023
Acceso en línea:	https://www.camjol.info/index.php/NEXO/article/view/17458

id	NEXO17458
record_format	ojs
spelling	NEXO174582024-04-01T17:14:28Z Design a 1D-CNN'S to classify surface EMG (SEMG) signals Diseño de un 1D-CNN para clasificar señales EMG de superficie (SEMG) Saleh Dawood, Musaab Lokman Aldabag, Mohand electromyography EMG Wrist movement classification Victory movement classification Individual Finger movements classification 1D-CNN electromiografía EMG Clasificación de movimientos de muñeca Clasificación de movimientos de victoria Clasificación de movimientos individuales de los dedos 1D-CNN Amputate forearm, finger, or hand is a biggest problem for the disabled subject. Therefore, Prosthetic does a significant role for the amputees to modify the capability and mobility of their systematic activities. Using the EMG signals of hand and finger motion discrimination are continuously growth for numerous hand and finger gestures. The main problem in designing a prosthetic hand is the classification of EMG signals. Machine learning (ML) algorithms present a solution to this problem by providing a way to classify EMG signals with simply and less costly scheme. This study presents more than one experiment on two datasets in order to classify individual fingers (IF) with wrist and victory based on a normative dataset of  EMG signals and Deep Learning DL. These experiments show that the overall performance (average accuracy) of the proposed method is 98.83% and the overall error classification rate (error rate) is 1.17%. Amputar el antebrazo, el dedo o la mano es el mayor problema para el sujeto discapacitado. Por lo tanto, Prosthetic desempeña un papel importante para que los amputados modifiquen la capacidad y movilidad de sus actividades sistemáticas. El uso de señales EMG de discriminación del movimiento de manos y dedos aumenta continuamente para numerosos gestos de manos y dedos. El principal problema al diseñar una prótesis de mano es la clasificación de las señales EMG. Los algoritmos de aprendizaje automático (ML) presentan una solución a este problema al proporcionar una forma de clasificar las señales EMG con un esquema simple y menos costoso. Este estudio presenta más de un experimento en dos conjuntos de datos para clasificar dedos individuales (IF) con muñeca y victoria en función de un conjunto de datos normativos de señales EMG y aprendizaje profundo DL. Estos experimentos muestran que el rendimiento general (precisión promedio) del método propuesto es del 98,83% y la tasa general de clasificación de errores (tasa de error) es del 1,17%. Universidad Nacional de Ingeniería (UNI) en Managua 2023-12-31 info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion Peer-Reviewed Article Artículo revisado por pares application/pdf https://www.camjol.info/index.php/NEXO/article/view/17458 10.5377/nexo.v36i06.17458 Nexo Scientific Journal; Vol. 36 No. 06 (2023); 1020-1037 Nexo Revista Científica; Vol. 36 Núm. 06 (2023); 1020-1037 1995-9516 1818-6742 eng https://www.camjol.info/index.php/NEXO/article/view/17458/21423 https://creativecommons.org/licenses/by-nc-nd/4.0/
institution	Universidad Nacional de Ingeniería
collection	Nexo Revista Científica
language	eng
format	Online
author	Saleh Dawood, Musaab Lokman Aldabag, Mohand
spellingShingle	Saleh Dawood, Musaab Lokman Aldabag, Mohand Diseño de un 1D-CNN para clasificar señales EMG de superficie (SEMG)
author_facet	Saleh Dawood, Musaab Lokman Aldabag, Mohand
author_sort	Saleh Dawood, Musaab
description	Amputar el antebrazo, el dedo o la mano es el mayor problema para el sujeto discapacitado. Por lo tanto, Prosthetic desempeña un papel importante para que los amputados modifiquen la capacidad y movilidad de sus actividades sistemáticas. El uso de señales EMG de discriminación del movimiento de manos y dedos aumenta continuamente para numerosos gestos de manos y dedos. El principal problema al diseñar una prótesis de mano es la clasificación de las señales EMG. Los algoritmos de aprendizaje automático (ML) presentan una solución a este problema al proporcionar una forma de clasificar las señales EMG con un esquema simple y menos costoso. Este estudio presenta más de un experimento en dos conjuntos de datos para clasificar dedos individuales (IF) con muñeca y victoria en función de un conjunto de datos normativos de señales EMG y aprendizaje profundo DL. Estos experimentos muestran que el rendimiento general (precisión promedio) del método propuesto es del 98,83% y la tasa general de clasificación de errores (tasa de error) es del 1,17%.
title	Diseño de un 1D-CNN para clasificar señales EMG de superficie (SEMG)
title_short	Diseño de un 1D-CNN para clasificar señales EMG de superficie (SEMG)
title_full	Diseño de un 1D-CNN para clasificar señales EMG de superficie (SEMG)
title_fullStr	Diseño de un 1D-CNN para clasificar señales EMG de superficie (SEMG)
title_full_unstemmed	Diseño de un 1D-CNN para clasificar señales EMG de superficie (SEMG)
title_sort	diseño de un 1d-cnn para clasificar señales emg de superficie (semg)
title_alt	Design a 1D-CNN'S to classify surface EMG (SEMG) signals
publisher	Universidad Nacional de Ingeniería (UNI) en Managua
publishDate	2023
url	https://www.camjol.info/index.php/NEXO/article/view/17458
work_keys_str_mv	AT salehdawoodmusaab designa1dcnnstoclassifysurfaceemgsemgsignals AT lokmanaldabagmohand designa1dcnnstoclassifysurfaceemgsemgsignals AT salehdawoodmusaab disenodeun1dcnnparaclasificarsenalesemgdesuperficiesemg AT lokmanaldabagmohand disenodeun1dcnnparaclasificarsenalesemgdesuperficiesemg
_version_	1805399711674269696

Diseño de un 1D-CNN para clasificar señales EMG de superficie (SEMG)

Ejemplares similares