首页> 外文OA文献 >Identifikasi Sinyal Electromyograph (Emg) Pada Gerak Ekstensi-Fleksi Siku Dengan Metode Konvolusi Dan Jaringan Syaraf Tiruan
【2h】

Identifikasi Sinyal Electromyograph (Emg) Pada Gerak Ekstensi-Fleksi Siku Dengan Metode Konvolusi Dan Jaringan Syaraf Tiruan

机译:应用卷积方法和人工神经网络识别肘 - 屈伸运动中的肌电信号(Emg)信号

摘要

Paper ini memaparkan hasil penelitian tentang identifikasi dan klasifikasi sinyal EMG pada gerak Ekstesi – fleksi siku (gerak 45º, 90º dan 135º) dengan menggunakan metode konvolusi dan jaringan syaraf tiruan. Pengambilan data EMG menggunakan bantuan peralatan medis Biopac MP30. Output Biopac berupa sinyal rms EMG, dan disampling sebanyak 2000 titik. Diperoleh nilai amplitude rata-rata sebesar 0,242mV pada sinyal gerak lengan 45º, 0,253 pada sinyal gerak lengan 90º dan 0,372mV untuk sinyal gerak lengan 135º. Proses berikutnya adalah Hamming windowing dengan frekuensi stop band atenuasinya sebesar -53dB. Kemudian dilakukan pemfilteran secara digital tipe Band Pass Filter dengan frekuensi cut off 50Hz dan 500Hz. Disini dilakukan proses konvolusi sinyal EMG terhadap respon impuls filter FIR, dengan hasil nilai rata-rata output sinyal sebesar 0,0712mV untuk sinyal gerak lengan 45º, 0,092mV untuk sinyal gerak lengan 90º dan 0,163 untuk sinyal gerak lengan 130º dengan penurunan amplitudo rata-rata sebesar 0,12mV. Identifikasi sinyal dilakukan oleh metode jaringan syaraf tiruan. Diperoleh parameter optimal untuk memproses 2000 titik data sinyal EMG dengan kebutuhan 3 kategori output adalah layer hidden 4 neuron dan layer output digunakan 2 output, learning rate sebesar 0,75 dengan nilai iterasi maksimum sebanyak 2000 iterasi, toleransi error 0,001 dan sum square error sebesar 0,0369. Diperoleh hasil pengujian nilai akurasi sebesar 78,33% untuk data learning (sudah teruji), akurasi 54,3% untuk input belum teruji. Kata kunci : Electromyograph, windowing, konvolusi, jaringan syaraf tiruan.
机译:本文介绍了使用卷积方法和人工神经网络对迷魂药-肘部弯曲(45º,90º和135º)运动中的肌电信号进行识别和分类的研究结果。利用Biopac MP30医疗设备检索EMG数据。 Biopac输出是一个EMG rms信号,并采样了多达2000个点。对于45°臂信号,平均振幅值为0.242mV,对于90°臂信号为0.253,对于135°臂信号为0.372mV。下一个过程是汉明加窗,阻带衰减频率为-53dB。然后使用截止频率为50Hz和500Hz的数字滤波型带通滤波器。在此,对FIR滤波器的脉冲响应进行EMG信号卷积处理,其中45º手臂运动信号的平均输出信号值为0.0712mV,90º手臂运动信号的平均输出信号值为0.092mV,130º手臂运动信号的平均输出信号值为0.163,平均幅度减小达0.12mV。信号识别是通过人工神经网络方法完成的。为处理需要3种输出类别的2000个EMG信号数据点而获得的最佳参数是隐藏的第4层神经元,并使用了输出第2层的输出,学习率为0.75,最大迭代值为2000次迭代,误差容限为0.001,平方和误差为0 ,0369。获得的学习数据(已测试)的准确度值测试为78.33%,未测试输入的准确度值为54.3%。关键词:肌电图,开窗,卷积,人工神经网络。

著录项

  • 作者

    Rokhana Rika;

  • 作者单位
  • 年度 2009
  • 总页数
  • 原文格式 PDF
  • 正文语种 {"code":"id","name":"Indonesian","id":20}
  • 中图分类

相似文献

  • 外文文献
  • 中文文献
  • 专利

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号