دانش رسان |
مرکز علم و دانش کشور مقاله ارزیابی طبقه‌بندی‌کننده‌های LDA و LS-SVM برای تفکیک ۵۲ حرکت و وضعیت دست به منظور کاربرد در پروتزهای مبتنی بر فعالیت الکتریکی عضلات
در حال بارگذاری
توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد
مقاله ارزیابی طبقه‌بندی‌کننده‌های LDA و LS-SVM برای تفکیک ۵۲ حرکت و وضعیت دست به منظور کاربرد در پروتزهای مبتنی بر فعالیت الکتریکی عضلات دارای ۱۷ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است
فایل ورد مقاله ارزیابی طبقه‌بندی‌کننده‌های LDA و LS-SVM برای تفکیک ۵۲ حرکت و وضعیت دست به منظور کاربرد در پروتزهای مبتنی بر فعالیت الکتریکی عضلات کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه و مراکز دولتی می باشد.
توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله ارزیابی طبقه‌بندی‌کننده‌های LDA و LS-SVM برای تفکیک ۵۲ حرکت و وضعیت دست به منظور کاربرد در پروتزهای مبتنی بر فعالیت الکتریکی عضلات،به هیچ وجه بهم ریختگی وجود ندارد
بخشی از متن مقاله ارزیابی طبقه‌بندی‌کننده‌های LDA و LS-SVM برای تفکیک ۵۲ حرکت و وضعیت دست به منظور کاربرد در پروتزهای مبتنی بر فعالیت الکتریکی عضلات :
تعداد صفحات :۱۷
طبقه‌بندی حرکت‌های اعضای دیستال با استفاده از سیگنال‌های الکترومایوگرام سطحیِ (sEMG) قسمت پروکسیمال، بخش مهمی در کنترل پروتزهای مایوالکتریک است. در بیشتر مطالعات قبلی، طبقه‌بندیِ تعداد محدودی از حرکت‌های دست مورد بررسی قرار گرفته است. در این مقاله، از پایگاه داده‌ی NINAPRO که شامل داده‌های کینماتیک و sEMG فرد سالم برای ۵۲ حرکت انگشت، پنجه و مچ دست است استفاده کرده‌ایم. در این مطالعه، عملکرد طبقه‌بندی‌کننده‌های LDA و LS-SVM با کرنل RBF، به ازای ترکیب‌های مختلف ویژگی‌ها مورد بررسی قرار گرفته است. ابتدا با پنجره‌گذاری به دو شیوه‌ی مختلف، بخش اصلی سیگنال جدا شد و هشت ویژگیِ زمانی مختلف (MAV، IAV، RMS، WL، E، ER1، ER2، CC) از آن استخراج گردید. سپس عملکرد هر یک از طبقه‌بندی‌کننده‌ها با هر کدام از این ویژگی‌ها و ترکیب‌های دوتایی و چندتایی آن‌ها مورد بررسی قرار گرفت. برای طبقه‌بندی‌کننده‌ی LDA بهترین میانگین دقتِ طبقه‌بندی، با شیوه‌ی پنجره‌گذاری به روش اول و ترکیب ویژگی‌های MAV (or IAV)+CC، ۲۳/۸۴ درصد محاسبه شد. این دقت برای طبقه‌بندی‌کننده‌ی LS-SVM با شیوه‌ی پنجره‌گذاری به روش دوم و ویژگی‌های IAV+MAV+RMS+WL، به مقدار ۱۹/۸۵ درصد رسید.
- در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.
