Resumen

La extracción de características de las señales de electromiografía de superficie (sEMG) ha sido un aspecto importante del control de prótesis mioeléctricas. Para mejorar la viabilidad de las manos protésicas mioeléctricas, propusimos un método de extracción de características para señales sEMG que utiliza la entropía de permutación ponderada wavelet (WWPE). En primer lugar, se utilizó la transformada wavelet para descomponer y preprocesar las señales sEMG recogidas de los músculos relevantes de las extremidades superiores para obtener las subbandas wavelet en cada segmento de frecuencia. A continuación, se extrajeron las entropías de permutación ponderadas (WPE) de las subbandas wavelet para construir el conjunto de características WWPE. Por último, el conjunto de características WWPE se utilizó como entrada para un clasificador de máquina de vectores de soporte (SVM) y un clasificador de red neuronal de retropropagación (BPNN) para reconocer siete movimientos de la mano. Los resultados experimentales muestran que el método propuesto presenta una precisión de reconocimiento notable, superior a la del conjunto de características de subbanda única y a la del conjunto de características de dominio temporal utilizado habitualmente. La tasa máxima de precisión en el reconocimiento es de 100 o movimientos de la mano, y las tasas medias de precisión en el reconocimiento de SVM y BPNN son del 100 y 98%, respectivamente.

• Materias:Inteligencia artificial Big Data Registros médicos electrónicos Acelerómetros Antecedentes teóricos
• Subjects:Artificial intelligence Big Data Electronic medical records Accelerometers Theoretical background
• Palabras claves:Característica WWPE, movimientos de la mano, subondas wavelet, tasas medias de precisión de reconocimiento, tasa máxima de precisión de reconocimiento, método de extracción de características, control de prótesis mioeléctricas, manos protésicas mioeléctricas, preprocesamiento de señales sEMG, notable precisión de reconocimiento.
• Keywords:WWPE feature, hand movements, wavelet sub, average recognition accuracy rates, maximum recognition accuracy rate, feature extraction method, myoelectric prosthesis control, myoelectric prosthetic hands, preprocess sEMG signals, remarkable recognition accuracy