ارائه یک روش کارا جهت تجزیه و تحلیل سیگنال های emg به منظور بهبود طبقه بندی اختلالات عصبی عضلانی

شکل و صدای مربوط به پتانسیل های عمل استخراج شده از داخل سیگنال الکترومایوگرافی یکی از مهمترین منابع اطلاعاتی جهت تشخیص، درمان و مدیریت بیماری های عصبی عضلانی می باشد. متاسفانه در حال حاضر روش های خودکار تشخیص بیماری های عصبی عضلانی بر اساس اطلاعات استخراج شده از داخل پتانسیل های عمل نمی توانند نتایج کاملا قابل قبول و راضی کننده ای را برای متخصصان توانبخشی فراهم آورند. به شکل عمده ضعف مربوط به این روش ها را می توان ناشی از عدم انتخاب ویژگی های مناسب و همچنین ضعف در ساختار طبقه بند های استفاده شده دانست. هدف از این طبقه بندی تشخیص پتانسیل های عمل مربوط به بیماران میوپتی، نوروپتی و پتانسیل های عمل سالم می باشد. در این تحقیق یک روش جدید طبقه بندی و استفاده از ویژگی ها بر اساس مجموعه ای از طبقه بند های svm که نسبت به هم دارای یک معماری سریال و موازی هستند و هر کدام از مجموعه ویژگی های متفاوتی از حوزه های زمان و زمان-فرکانس استفاده می کنند ارائه شده است که با استفاده از این روش دقت طبقه بندی افزایش قابل توجه ای پیدا می کند. نمونه ای از ویژگی های انتخابی حوزه زمان عبارتند از : دامنه، ناحیه، مدت زمان و فاز و ویژگی های انتخابی حوزه زمان- فرکانس نیز ضرایب ویولت گسسته هستند. جهت بررسی روش های ارائه شده از سیگنال های واقعی emg استفاده نمودیم. این سیگنال ها از 23 فرد گرفته شده است که از بین آن ها 7 نفر بیماری میوپتی، 8 نفر بیماری نوروپتی و 8 نفر نیز سالم بوده اند. دقت طبقه بندی بدست آورده با استفاده از روش نوین ارائه شده 97% می باشد که نسبت به کارهای گذشته انجام شده 5% افزایش دقت داشتیم. با توجه به دقت بالای بدست آمده از این سیستم می توان در تشخیص های کلینیکی استفاده نمود.