МЕТОД ОПТИМИЗАЦИИ КЛАССИФИКАТОРА ЖЕСТОВ
Аннотация
Работа посвящена исследованию возможности оптимизации процесса синтеза клас-
сификаторов жестов путем выбора наиболее значимых каналов электромиографической
(ЭМГ) активности мышц предплечья. Первая часть исследования посвящена разработке и
анализу эффективности работы классификаторов жестов с различным числом каналов
ЭМГ, ранжированных по значимости на основе критерия Пирсона. Решение задачи клас-
сификации жестов по ЭМГ сигналам впервые осуществлено на основе ансамблей деревьев
решений, обучаемых по методу градиентного бустинга. Для этого было разработано про-
граммное обеспечение, позволяющее производить автоматический синтез и обучение клас-
сификаторов жестов. Далее была проведена серия исследований по поиску оптимального
числа каналов ЭМГ на основе трех критериев: скорость обучения классификатора, быст-
родействие обученной модели и площадь под кривой ошибки ROC AUC. Для этого был про-
изведен цикл обучений и тестирований классификатора для наборов данных, записанных
при различных положениях электродов на предплечье. Затем были построены диаграммы
размаха исследуемых критериев для различных количеств задействованных в работе кана-
лов ЭМГ от 1 до 8, ранжированных по значимости в каждой из выборок. Установлено,
что оптимальное количество задействованных каналов ЭМГ в условиях эксперимента со-
ставило 3-6 шт., поскольку дальнейшее увеличение не приводило к уменьшению ошибки
классификации, при этом ухудшая быстродействие. Предложенный метод позволяет ав-
томатически выбрать каналы, электроды которых расположены над наиболее информа-
тивными зонами предплечья при случайном изменении положения датчиков. Вторая часть
работы содержит результаты проведения натурного эксперимента по демонстрации
возможности управления колесным роботом посредством анализа ЭМГ.
Литература
research]. Moscow: Nauka, 1969, 231 p.
2. Jamal M.Z. Signal Acquisition Using Surface EMG and Circuit Design Considerations for
Robotic Prosthesis. Ed. Rijeka: IntechOpen, 2012.
3. Budko N., Medvedev M., Budko A., Budko R. Investigation of the Possibility of Vector-
Command Control Based on Forearm EMG, In: Ronzhin A., Shishlakov V. (eds),
Electromechanics and Robotics. Smart Innovation, Systems and Technologies, Vol. 232.
Springer, Singapore. Available at: https://doi.org/10.1007/978-981-16-2814-6_21.
4. Budko N.A., Budko R.Yu., Budko A.Yu. Primenenie iskusstvennykh neyronnykh setey v
interfeysakh chelovek – mashina [The use of artificial neural networks in human-machine interfaces],
Modelirovanie, optimizatsiya i informatsionnye tekhnologii [Modeling, optimization
and information technology], 2019, Vol. 7, No. 1. Available at: http://moit.vivt.ru/.
5. Budko R.Yu., Chernov N.N., Budko N.A., Budko A.Yu. Raspoznavanie elektromiogrammy
predplech'ya i vybor zhestov dlya upravleniya protezom [Recognition of the electromyogram
of the forearm and the choice of gestures to control the prosthesis], Modelirovanie,
optimizatsiya i informatsionnye tekhnologii [Modeling, optimization and information technology],
2019, Vol. 7, No. 1. Available at: http://moit.vivt.ru/.
6. Budko R.Yu., Chernov N.N., Budko N.A. Issledovanie metodov klassifikatsii EMG v zadache
upravleniya zhestami ruki, Izvestiya vysshikh uchebnykh zavedeniy. Priborostroenie, 2019.
DOI: 10.17586/0021-3454-2019-62-12-1098-1104.
7. Budko R.Yu., Chernov N.N., Budko N.A. Metod upravleniya ustroystvami zameshcheniya
utrachennykh funktsiy na osnove miosiganala i ego verifikatsiya v real'nom masshtabe
vremeni, Vestnik molodezhnoy nauki Rossii, 2019, Issue No. 6.
8. Budko N.A., Medvedev M.Yu., Budko A.Yu. Razrabotka i issledovanie metoda vektornogo
analiza EMG predplech'ya dlya postroeniya cheloveko-mashinnykh interfeysov [Development
and research of the method of vector analysis of the forearm EMG for the construction of human-
machine interfaces], Izvestiya YUFU. Tekhnicheskie nauki [Izvestiya SFedU. Engineering
Sciences], 2021, No. 2 (219), pp. 18-31.
9. De Luca C.J.. Surface electromyography: Detection and recording, DelSys Incorporated, 2002,
Vol. 10, No. 2, pp. 1-10.
10. Muhammad, Uzair & Sipra, Khadija & Waqas, Muhammad & Tu, Shanshan. Applications of
Myo Armband using EMG and IMU Signals, 2020. 10.1109/ICMRA51221.2020.9398375.
11. Rawat S., Vats S. and Kumar P. Evaluating and exploring the MYO ARMBAND, 2016 International
Conference System Modeling & Advancement in Research Trends (SMART), 2016,
pp. 115-120. DOI: 10.1109/SYSMART.2016.7894501.
12. Tabor Aaron & Bateman Scott & Scheme Erik. Game-Based Myoelectric Training, 2016,
pp. 299-306. 10.1145/2968120.2987731.
13. Vrendenbregt Dzh., Rau G. Khoush. Poverkhnostnaya elektromiografiya v otnoshenii sily, dliny
myshts i vynoslivosti [Surface electromyography in application to muscles, muscles and endurance],
Novye razrabotki v oblasti elektromiografii i klinicheskoy neyrofiziologii [New developments
in the field of electromyography and clinical neurophysiology], 1973, pp. 607-622.
14. Ferris D.P., Lewis C.L. Robotic lower limb exoskeletons using proportional myoelectric control,
Annual International Conference of the IEEE Engineer-ingin Medicine and Biology Society,
EMBC, Minneapolis, MN, USA, September3–6, 2009, pp. 2119-124. Available at:
http://dx.doi.org/10.1109/IEMBS.2009.5333984.
15. Christopher S, MdRasedul I, M Assad-Uz Z, Mohammad H R. A Comprehensive Study on
EMG Feature Extraction and Classifiers, Op Acc J Bio Eng & App., 2018, No. 1 (1).
16. Bonil'ya V.F. [i dr.]. Identifikatsiya kinematicheskikh parametrov dvizheniya predplech'ya s
pomoshch'yu tekhnologiy iskusstvennykh neyronnykh setey [Identification of the kinematic
parameters of the movement of the forearm using technologies of artificial neural networks],
Vestnik Donskogo gosudarstvennogo tekhnicheskogo universiteta [Bulletin of the Don State
Technical University], 2015, Vol. 15, No. 1 (80), pp. 39-47.
17. Chowdhury R.H., Reaz M.B.I., Ali M.A.B.M., Bakar A.A.A., Chellappan K., Chang T.G. Surface
electromyography signal processing and classification techniques, Sensors, Sep. 2013,
Vol. 13, No. 9, pp. 12431-12466.
18. Pallotti A., Orengo G., and Saggio G. Measurements comparison of finger joint angles in hand
postures between an sEMG armband and a sensory glove, Biocybernetics and Biomedical Engineering,
Apr. 2021, Vol. 41, No. 2, pp. 605-616.
19. Anna Veronika Dorogush, Andrey Gulin, Gleb Gusev, Nikita Kazeev, Liudmila Ostroumova
Prokhorenkova, Aleksandr Vorobev. Fighting biases with dynamic boosting, archive:
1706.09516, 2017.
20. Anna Veronika Dorogush, Vasily Ershov, Andrey Gulin. CatBoost: gradient boosting with
categorical features support, Workshop on ML Systems at NIPS, 2017.
