Anda di halaman 1dari 12

Abstrak Top

Tulisan tangan - salah satu perkembangan yang paling penting dalam


kebudayaan manusia - juga merupakan alat metodologis dalam beberapa disiplin
ilmu, yang paling penting metode pengenalan tulisan tangan, grafologi dan
diagnosa medis. Studi sebelumnya telah mengandalkan sebagian besar pada
analisis jejak tangan atau analisis kinematik dari tulisan tangan, sedangkan
elektromiografi (EMG) sinyal yang terkait dengan tulisan tangan telah mendapat
sedikit perhatian. Di sini kami menunjukkan untuk pertama kalinya, sebuah
metode di mana EMG sinyal yang dihasilkan oleh tangan dan lengan otot selama
melakukan aktivitas tulisan tangan yang andal diterjemahkan ke kedua jejak
tulisan tangan algoritma yang dihasilkan dan karakter font menggunakan
algoritma decoding. Hasil penelitian kami menunjukkan kelayakan menciptakan
tulisan tangan semata-mata dari sinyal EMG - temuan yang dapat digunakan
dalam peripheral komputer dan peralatan prosthetic myoelectric. Selain itu,
pendekatan ini dapat memberikan metode yang cepat dan sensitif untuk
mendiagnosis berbagai penyakit neurogenerative sebelum gejala lainnya
menjadi jelas.

Citation: Linderman M, Lebedev MA, Erlichman JS (2009) Pengakuan tulisan


tangan dari Elektromiografi. PLoS ONE 4 (8): e6791. DOI:
10.1371/journal.pone.0006791

Editor: Zhou Wen-Liang, Sun Yat-Sen University, Cina

Diterima: April 17, 2009; Diterima: 8 Juli 2009; Diterbitkan di: Agustus 26, 2009

Copyright: © 2009 Linderman et al. Ini adalah sebuah artikel akses terbuka
didistribusikan di bawah ketentuan Creative Commons Attribution License, yang
memungkinkan penggunaan tak terbatas, distribusi, dan reproduksi dalam
media apapun, asalkan penulis asli dan sumber dikreditkan.

Pendanaan: Penelitian ini disponsori oleh hibah SBIR dari National Science
Foundation. NSF hibah # 0711799. www.nsf.gov. Penyedia dana tidak memiliki
peran dalam desain penelitian, pengumpulan data dan analisis, keputusan untuk
mempublikasikan, atau penyusunan naskah.
Bersaing kepentingan: Michael Linderman adalah karyawan dibayar dan pemilik
Norconnect Michael Linderman Inc akan mengembangkan produk-produk dari
penelitian ini dan masa depan. Dia adalah penulis dua paten-paten dengan US
Patent Office. Pencatatan pergerakan tulisan tangan dan tangan menggunakan
elektromiografi 11640954. Tulisan Tangan EMG untuk Diagnosa Medis
61108603. Michael Linderman mempunyai kepemilikan saham 42% di
Norconnect Inc Ia juga ketua dewan di Norconnect Inc Penelitian ini didukung
oleh hibah penelitian # 0711799 untuk Norconnect dari National Science
Foundation. Norconnect juga memenangkan penghargaan kedua dari National
Science Foundation untuk melanjutkan penelitian ini.

* E-mail: mlinderman di acm.org

Pendahuluan Top

Pengembangan sistem yang dapat antarmuka kegiatan bioelectric ke perangkat


eksternal menjanjikan klinis yang signifikan. Sebagai contoh, prosthetics saraf
berusaha untuk mengembalikan mobilitas ekstremitas dan kapasitas komunikasi
dalam mata pelajaran dinonaktifkan oleh interfacing potensi otak [1], [2], [3]
atau kegiatan EMG [4], [5], [6] untuk aktuator buatan atau perangkat
berdasarkan stimulasi listrik fungsional [7], [8]. Selain aplikasi klinis, telah
menyarankan bahwa antarmuka bioelectric bahkan dapat digunakan untuk
meningkatkan fungsi-fungsi tertentu pada subyek normal [9]. Meskipun tulisan
tangan merupakan salah satu kegiatan motor yang paling penting, telah
mendapat sedikit perhatian dari para perancang antarmuka bioelectric karena
keterbatasan teknis dirasakan dan kurangnya model [10]. Sebuah antarmuka
yang mengubah aktivitas bioelectric manusia ke dalam catatan teks bisa
memiliki sejumlah aplikasi yang luas. Pertama perkembangan teknologi ini dapat
pengganti peripheral komputer atau layar sentuh yang biasanya digunakan
untuk merekam dan mengirim pesan teks. interface Bioelectric berpotensi
ekstrak pola-pola tulisan tangan normal langsung dari EMGs tangan dan lengan.
Klinis, fitur tulisan tangan telah digunakan untuk tujuan diagnostik untuk pasien
dengan penyakit Parkinson [11] dan baru-baru dysgraphia telah terbukti menjadi
elemen kekal dalam perkembangan penyakit Alzheimer [12]. Metode yang dapat
digunakan untuk model tulisan tangan bisa digunakan untuk mendiagnosa
penyakit dengan komponen graphomotor atau digunakan untuk menilai
perkembangan penyakit atau pengobatan.

Tujuan dari penelitian ini adalah untuk mengembangkan hardware / sistem


perangkat lunak untuk merekam sinyal Bioelectrical dari otot lengan bawah dan
tangan (Gbr. 1) dan men-decode sinyal-sinyal dengan algoritma untuk
mengekstrak dan mereproduksi karakter tulisan tangan (Gambar 2 dan 3).
Gambar 1. Akuisisi data.

J: Sebuah foto sesi rekaman. B: Elektroda penempatan atas tangan (atas) dan
otot-otot lengan bawah (bawah).

DOI: 10.1371/journal.pone.0006791.g001

Gambar 2. Rekonstruksi jejak tulisan tangan dengan menggunakan Wiener filter.

J: Schematics dari Wiener filter. sinyal EMG (EMGs diperbaiki) dari beberapa
model dimasukkan ke dalam dua filter Wiener independen yang direkonstruksi X
dan Y koordinat pena, masing-masing. Setiap filter diwakili direkonstruksi
mengkoordinasikan sebagai jumlah tertimbang EMGs. B: Contoh jejak
direkonstruksi dari satu sesi rekaman. jejak aktual diperlihatkan dengan warna
biru; jejak direkonstruksi ditunjukkan dengan warna merah. Dua kolom pertama
menunjukkan X (t) dan Y (t), masing-masing. Kolom ketiga menunjukkan plot X-
Y.

DOI: 10.1371/journal.pone.0006791.g002

Gambar 3. Transformasi catatan EMG menjadi karakter font.

J: Schematics dari algoritma. EMG Senyawa (jumlah semua EMGs diperbaiki)


pertama kali digunakan untuk mendeteksi periode dimana tulisan tangan terjadi.
EMG Senyawa pertama kali tersegmentasi ke zaman sesuai dengan karakter
individu menggunakan ambang batas yang terdeteksi semburan EMG.
Kemudian, template senyawa generik EMG dihitung dengan rata-rata zaman ini.
Pencocokan template digunakan untuk menyempurnakan segmen EMG, yang
kemudian diklasifikasikan menggunakan analisis diskriminan linier. B: Contoh
diskriminasi untuk sesi rekaman perwakilan. Dari atas ke bawah: Delapan EMGs
digunakan untuk pengenalan karakter. 3.5-segmen yang sesuai dengan karakter
individu yang disorot sebagai bar biru yang selaras pada puncak korelasi
koefisien, R, untuk pencocokan template. probabilitas Posterior untuk
pengenalan karakter yang dihitung dengan analisis diskriminan ditampilkan
sebagai petak warna. Diakui karakter font yang sesuai dengan probabilitas
tertinggi ditampilkan dekat setiap plot. Original tulisan ditampilkan di bagian
bawah.
DOI: 10.1371/journal.pone.0006791.g003

Hasil Top

Kami menerapkan dua pendekatan dasar untuk decoding tulisan tangan dari
EMGs. Pada pendekatan pertama, kami direkonstruksi jejak pena menggunakan
algoritma decoding linier, filter Wiener [13], [14] (Gbr. 2). Pada pendekatan
kedua, kami mengakui karakter tulisan tangan dari pola EMG dan ditampilkan
mereka sebagai font tekstual. Dengan demikian, pola EMG dipetakan ke karakter
font diskrit. Kedua algoritma rekonstruksi dan algoritma pengakuan harus dilatih
pada data dari subyek individu dan tidak menggeneralisasi untuk mata pelajaran
lain karena variabilitas antar-subjek.

Seperti ditunjukkan dalam Gambar. 1B, permukaan elektroda bipolar EMG


diletakkan pada kulit di atasnya empat otot lengan bawah dan empat otot
tangan. Setiap otot dicatat dipamerkan semburan EMG selama tulisan tangan
(Gbr. 1A). metodologi konvensional Setelah [15], intensitas modulasi EMG itu
dihitung sebagai EMG diperbaiki. Untuk merekonstruksi pena jejak, Wiener filter
disajikan X (dimensi kiri-kanan) dan Y (bawah-atas) koordinat pena terhadap
permukaan tulisan sebagai jumlah tertimbang dari EMGs diperbaiki (Gbr. 2A).
Hasil rekonstruksi tersebut ditunjukkan pada Gambar. 2B. jejak Pen dicatat oleh
tablet digitalisasi diperlihatkan dengan warna biru, dan jejak direkonstruksi dari
EMGs ditunjukkan dengan warna merah. Jejak direkonstruksi mengikuti tulisan
tangan asli dengan akurasi yang sebanding dengan antarmuka Bioelectrical
lainnya [2].

Kualitas rekonstruksi dievaluasi sebagai koefisien determinasi, R2. R2 nilai untuk


subyek individu dan statistik untuk seluruh kelompok disajikan pada Tabel 1.
Untuk 6 mata pelajaran yang terlibat dalam percobaan ini, R2 adalah 0,47 ±
0,20 (rata-rata ± standar deviasi di seluruh mata pelajaran) untuk X dan 0,63 ±
0,15 untuk Y. (R2 dapat berkisar dari 0 ke 1, dan itu mencerminkan proporsi
varians dalam bahasa aslinya data yang ditangkap oleh rekonstruksi) Tabel 1
juga menunjukkan nilai R2 untuk tangan dan lengan bawah otot.. Ketika hanya
tangan-otot rekaman digunakan untuk rekonstruksi, R2 adalah 0,26 ± 0,10 X
dan 0,50 ± 0,12 untuk Y. Ketika hanya lengan-otot rekaman digunakan, R2
adalah 0,43 ± 0,21 X dan 0,51 ± 0,13 untuk Y. Pen posisi bisa direkonstruksi
bahkan dari EMGs otot tunggal, walaupun akurasi kurang dibandingkan dengan
rekonstruksi multi-otot (Tabel 2). Ketika otot merekonstruksi terbaik dipilih, R2
adalah 0,31 ± 0,17 X dan 0,32 ± 0,10 untuk Y (Tabel 1).
Tabel 1. Rekonstruksi dan akurasi pengakuan atas subyek individu, kombinasi
otot dicatat dan rata-rata di-subjek.

DOI: 10.1371/journal.pone.0006791.t001

Tabel 2. Rekonstruksi dan pengakuan akurasi untuk otot yang berbeda.

DOI: 10.1371/journal.pone.0006791.t002

Dalam pendekatan pengakuan EMG, kami menggunakan analisis diskriminan


linier [16] untuk menerjemahkan pola EMG menjadi karakter font. Gambar 3A
menggambarkan operasi algoritma diskriminasi ditulis-karakter. Subyek diminta
untuk menulis karakter, angka dari "0" ke "9" (50 pengulangan per karakter).
Setengah dari catatan (250 percobaan yang dipilih secara acak) digunakan
sebagai pelatihan ditetapkan untuk analisis diskriminan, dan sisa dari catatan
digunakan sebagai sampel ditetapkan. Selama tahap pelatihan, 3,5 s zaman
sesuai dengan karakter tunggal dipilih menggunakan algoritma yang menerobos
masuk EMG senyawa (jumlah EMGs diperbaiki dari semua otot) yang terdeteksi
yang melewati ambang batas (0,5 deviasi standar dari tingkat intertrial) ditunjuk
zaman awal. Rata-rata yang EMGs atas segala zaman terdeteksi menghasilkan
template generik. Template ini dimasukkan dalam analisis pencocokan template
di mana jendela geser 3,5 s telah dipindahkan sepanjang catatan EMG, dan
koefisien korelasi antara EMGs dan template itu terus berkorelasi. Karakter
zaman menulis kemudian disempurnakan dengan menggunakan kejadian
korelasi puncak sebagai onsets zaman. Zaman ini kemudian dimasukkan dalam
analisis diskriminan linier yang diakui karakter. Kualitas pengakuan dievaluasi di
6 mata pelajaran dengan menggunakan persen dari penghargaan yang benar
sebagai ukuran. persen ini 90,4 ± 7,0 (mean ± standar deviasi di seluruh mata
pelajaran). Ketika tangan EMGs otot dianalisis secara terpisah (Tabel 1) adalah
79,2 persen ± 10,6, dan untuk otot lengan kami memperoleh nilai 83,5 ± 10,0.
Ketika otot terbaik merekonstruksi tunggal dipilih, persen rekonstruksi yang
benar adalah 65,9 ± 11,4 (Tabel 1), dan rata-rata persen yang benar untuk
setiap otot tunggal adalah 51,6 ± 12,5 (Tabel 2).

Seperti ditunjukkan dalam Gambar. 4, kinerja dari kedua algoritma rekonstruksi


(Gambar 4A, B) dan algoritma pengakuan (Gambar 4C) manfaat dari rekaman
EMG dari beberapa otot. Selanjutnya, kami memperkirakan kinerja analisis
diskriminasi untuk jumlah data yang berbeda pelatihan. Dalam analisis ini,
jumlah data yang berbeda diambil dari rekaman sebagai training set, dan
sisanya dari data yang digunakan sebagai sampel ditetapkan. Analisis sesi
eksperimental perwakilan ditunjukkan pada Gambar. 4D. Minimal lima
pengulangan per karakter font yang dibutuhkan untuk analisis diskriminan untuk
bekerja. akurasi Pengakuan adalah 63% benar untuk jumlah data pelatihan.
Sebagai jumlah pengulangan meningkat menjadi 35 per karakter, pengakuan
meningkat menjadi 97% benar.

Gambar 4. Kinerja algoritma rekonstruksi dan pengakuan sebagai fungsi dari


jumlah EMGs dicatat dan jumlah data pelatihan.

Analisa dilakukan semua otot dan tangan dan otot lengan bawah saja (lihat
tombol di atas). J: Rekonstruksi keakuratan X-koordinat pena sebagai fungsi dari
jumlah otot dicatat. Otot diambil dalam kombinasi yang berbeda, dan R2 adalah
rata-rata dari kombinasi ini dan di seluruh mata pelajaran. B: Pengakuan
keakuratan Y-koordinat. C: Pengakuan akurasi sebagai fungsi dari jumlah otot
dicatat. D: Peningkatan akurasi pengakuan sebagai fungsi pelatihan set ukuran.

DOI: 10.1371/journal.pone.0006791.g004

Diskusi Top

Jadi, kami telah menunjukkan bahwa EMGs otot tangan dan lengan bisa diubah
menjadi pola-pola tulisan tangan: baik jejak-jejak tulisan tangan yang
sebenarnya atau karakter font. Demonstrasi ini membuka sejumlah arah untuk
penelitian masa depan dan aplikasi praktis. Pertama, kami telah menunjukkan
bahwa teknologi berbasis EMG adalah alternatif untuk metode tradisional
mengambil rekaman. Kami membayangkan komputer periferal, sebuah sarung
tangan EMG, di mana aktivitas listrik dari tangan dan / atau otot lengan bawah
yang mengalir langsung ke komputer mana algoritma matematis mengubahnya
menjadi karakter font. teknologi tersebut dapat menggunakan lampiran
elektroda kering dan dapat dihubungkan ke komputer menggunakan teknologi
nirkabel. Karena itu, mungkin baik menawarkan keuntungan tertentu untuk
teknologi digitalisasi konvensional, seperti tablet digitalisasi, dan menjadi
suplemen yang berguna untuk teknologi tersebut. metodologi kami dapat juga
diterapkan pada studi klinis. Sementara tulisan tangan terganggu pada
demensia [17], penyakit Parkinson [18], tremor menulis [19], dan attention
deficit hyperactivity disorder [20], EMG perubahan selama gangguan tulisan
tangan yang kurang dipahami. teknik kami untuk mengekstrak pola-pola tulisan
tangan dari EMGs tangan dan lengan bawah dapat berkontribusi untuk kedua
penelitian klinis dan pengembangan perangkat klinis yang akan membantu
pasien dengan tulisan tangan terganggu.

Metode Top
EMG dan rekaman tulisan tangan

Penelitian ini telah disetujui oleh Dewan Tinjauan Kelembagaan St Lawrence


University, Canton, NY. Data dicatat dari 6 subjek. Tidak ada informasi pribadi
yang dicatat selama sesi dan seluruh data dianalisis secara anonim. informed
consent tertulis diperoleh dari subyek sebelum sesi rekaman EMG.

Setiap subjek nyaman duduk di meja di depan monitor komputer dan menulis di
atas meja digitalisasi dengan pena sambil melihat monitor komputer yang
menampilkan jejak tertulis. EMGs dari 8 otot secara bersamaan dicatat (Gbr. 1a).
Sejak tulisan melibatkan kedua gerakan jari dan pergelangan tangan, EMGs
permukaan dicatat dari tangan intrinsik dan otot-otot lengan bawah yang
menghasilkan gerakan-gerakan ini (Gbr. 1b). Bipolar EMG permukaan elektroda
ditempatkan pada empat otot lengan bawah: fleksor karpi radialis (FCR),
ekstensor digitorum (ED), ekstensor karpi m. (ECU), ekstensor karpi radialis
(ECR) dan empat otot tangan intrinsik: opponens polisis (OP), penculik polisis
brevis (APB), dan medial (mFDI) dan lateral (lFDI) kepala interrosseus punggung
yang pertama). Elektroda grounding ditempatkan di dahi subyek. Permukaan
kulit di atasnya otot-otot yang menarik pertama kali dibersihkan dengan alkohol
dan elektroda yang disiapkan dengan pasta elektroda, tegas menempel di kulit,
dan tetap di tempat dengan pita hypoallergenic. Setelah elektroda diikat, seluruh
majelis itu dibungkus dengan perban elastis (Gbr. 1a) untuk memperbaiki
elektroda mengarah untuk meminimalkan terjadinya artefak mekanis dalam
rekaman.

Sistem kami diperoleh data dari tiga sumber: sinyal EMG diperoleh dengan
menggunakan sistem pencatatan diperkuat (Grass, model modul quad
15LT/15A54-2) dengan digitizer (Polyview/16SYS), pelacakan pena telah dicapai
dengan menggunakan tablet Intuos 3/Wacom, dan kontak pena terdeteksi
dengan film sensitif tekanan piezo melekat pada tablet. Data tablet yang diambil
pada 100 Hz, yang termasuk acara klik mouse dihasilkan ketika pena menyentuh
tablet atau diangkat dari tablet. sinyal EMG adalah diferensial diamplifikasi
(1000x keuntungan), band-pass filter (-6 dB poin cutoff pada 5 Hz dan 500 Hz)
dan sampel pada 1 kHz per saluran. Film piezo sensitif tekanan ditempatkan
pada permukaan penulisan tablet dan tujuan dari film itu hanya untuk
menunjukkan awal sesi menulis dengan menghasilkan suatu pulsa trigger (5 V,
0,05 s) dikirim ke salah satu saluran amplifier EMG . EMG akuisisi ditangani oleh
perangkat lunak Rumput, dan skrip MATLAB menguasai perolehan data dari
tablet.

Setiap subjek diperintahkan untuk menulis karakter angka dari "0" menjadi "9".
Jejak-jejak tulisan tangan yang ditampilkan pada monitor komputer yang
dipasang di depan subjek. Subyek diperintahkan untuk menulis angka dalam
suatu cm 8 × 8 tulisan daerah pada tablet digitalisasi menggunakan pola tulisan
tangan masing-masing. Tiap subyek diadakan pena di tangan menurut / nya
kebiasaan individu. Dengan uji coba kita mendefinisikan zaman rekaman selama
yang subjek menulis sebuah karakter tunggal. Setiap karakter berturut-turut
ditulis 50 kali. Oleh karena itu, setiap subjek menulis 500 karakter (yaitu
dilakukan 500 uji coba) selama sesi rekaman sehari-hari. Subjek bisa beristirahat
selama beberapa menit di antara rekaman karakter individu, tetapi elektroda
tidak dihapus. Karena dalam penelitian ini kita berusaha untuk mengenali
karakter individu, subjek diminta untuk membuat jeda di antara karakter.
Percobaan yang mondar-mandir oleh perangkat lunak komputer yang
ditampilkan area menulis segar di awal setiap percobaan. Durasi setiap
percobaan adalah 7 s dari yang 2-3 s bersesuaian untuk menulis karakter.
contoh Perwakilan dari sinyal EMG dan jejak tulisan tangan ditunjukkan dalam
Gambar. 3a.

Analisis data

Pola Tulisan Tangan diekstraksi dari EMGs diperbaiki. Diperbaiki EMGs dihitung
dengan rektifikasi gelombang penuh sinyal EMG asli diikuti dengan low-pass
filter dengan frekuensi cutoff dari 5 Hz (kedua order Butterworth filter).

Dalam algoritma rekonstruksi tulisan tangan, kita direkonstruksi jejak pena dari
EMGs delapan otot-otot lengan. Dengan demikian, hasil akhir dari metode ini
adalah jejak karakter dengan satu-satunya perbedaan bahwa itu tidak benar-
benar ditulis oleh pena, melainkan berasal dari EMGs (Gbr. 2b). jejak tulisan
tangan yang diambil dari EMGs menggunakan metode linier, Wiener [14]. Dalam
algoritma pengakuan, kami mengakui karakter yang ditulis oleh subyek dengan
membandingkan pola EMG untuk satu set EMGs diperoleh sebelumnya. Pilihan
pengenalan adalah karakter yang sebelumnya dicatat pola EMG paling dekat
cocok dengan pola EMG diperiksa.

Dalam kedua metode rekonstruksi dan pengakuan, analisis terdiri dari dua
langkah: (1) pelatihan algoritma dan (2) mendekodekan menggunakan algoritma
terlatih. Dengan demikian, data percobaan (50 percobaan per masing-masing 10
karakter numerik) dibagi menjadi dua bagian yang terpisah: (1) pelatihan data
dan (2) data decoding. Untuk membagi data menjadi bagian-bagian ini, kita
hanya menggunakan paruh pertama catatan untuk setiap karakter untuk
pelatihan dan bagian kedua untuk decoding. Dengan demikian, 250 percobaan
(25 percobaan per karakter) digunakan untuk pelatihan dan terpisah 250
percobaan digunakan untuk decoding (cross-validasi) dalam satu sesi rekaman
untuk satu subjek.
Untuk merekonstruksi tulisan tangan ke jejak, kami mulai dengan penerapan
model linear yang diterjemahkan pena koordinat x (t) dan y (t) sebagai
kombinasi linier tertimbang dari input EMG:

(1)

dimana x (t) X-koordinat pada waktu, adalah vektor sinyal input (EMGs diperbaiki
pada 8 saluran), pada waktu dan waktu-shift (pergeseran negatif sesuai dengan
nilai-nilai masa lalu, pergeseran positif sesuai dengan nilai-nilai masa depan), T
adalah jendela waktu untuk kelambatan itu, adalah vektor bobot untuk setiap
input pada saat-lag, adalah-intercept y, dan merupakan kesalahan residu.

Wiener filter didefinisikan oleh persamaan 1 merekonstruksi posisi pena dari


aktivitas EMG dari otot-otot beberapa sampel di T-interval untuk T berpusat pada
titik waktu yang direkonstruksi variabel dihitung. EMG sampel dalam jendela ini
diberikan bobot yang berbeda secara optimal peta waktu-pena berbagai aktivitas
EMG koordinat.

Persamaan 1 diselesaikan dengan menggunakan regresi linear kuadrat terkecil


(MATLAB kemunduran rutin). Persamaan ini dapat menampilkannya kembali
dalam bentuk matriks sebagai

(2)

dimana x, w dan vektor kolom, N adalah matriks dan b adalah skalar. Baris
dalam x dan N sesuai dengan waktu t = {tstart, tstart + langkah, tstart +
2step, ..., cenderung}, dan baris dalam w sesuai dengan lags = {-T,-T +
langkah,-T + 2step, ... T } dan merekam saluran. Dalam notasi ini, N matriks
berisi data tertinggal dan tentunya memiliki kolom untuk setiap lag dan setiap
saluran. Titik potong-y ditangani oleh mengawali kolom yang untuk N. matriks
Berat w diselesaikan dengan

(3)
dimana N dan x yang diambil dari dataset model pelatihan.

Linear model decoding untuk y-koordinat pena dilakukan cara yang sama seperti
decoding untuk x-koordinat (persamaan 1-3).

Untuk pengenalan karakter, kami menggunakan analisis diskriminan Fischer


linear [16] untuk menerjemahkan EMGs ke dalam karakter teks diwakili oleh
komputer (Gbr. 3). Untuk mendeteksi awal tulisan tangan untuk masing-masing
karakter, kami menggunakan EMG senyawa dihitung sebagai jumlah dari semua
dianalisa EMGs diperbaiki. EMG Senyawa kemudian terdeteksi sebagai ambang
persimpangan diatur ke 0.5 standar deviasi dari tingkat antar suku. Setelah
onsets ditentukan, catatan EMG itu tersegmentasi ke zaman 3,5 s yang mewakili
penulisan masing-masing karakter. Selanjutnya, zaman ini adalah downsampled
untuk 10 sampel per detik (atau 100 ms sampah). Template EMG generik
dihitung dengan rata-rata catatan EMG menyeberangi zaman mewakili karakter
individu. Template ini terdiri dari template untuk otot individual (35 bins per
otot) ditumpuk bersama-sama. Kemudian, template itu meluncur di catatan
EMG, dan koefisien korelasi, R, antara EMGs dan template dihitung. R tinggi saat
template itu selaras dengan episode karakter menulis. Puncak R nilai yang
kemudian digunakan untuk segmen lebih baik EMGs menjadi 3,5 s zaman sesuai
dengan karakter masing-masing: yang onsets zaman ini telah diatur ke kejadian
puncak R. segmen ini dimasukkan dalam analisis diskriminan (MATLAB fungsi
mengklasifikasikan) sebagai pelatihan data. Untuk mengurangi dimensi data,
analisis komponen utama digunakan untuk preproses data EMG sebelum langkah
analisis diskriminan. Secara empiris, hasil terbaik diperoleh ketika jumlah
parameter berkurang dari 280 (35 tempat sampah untuk masing-masing delapan
otot) untuk 50 komponen utama.

Top Ucapan Terima Kasih

Kami ingin mengucapkan terima kasih kepada orang-orang berikut untuk


wawasan mereka dan kontribusi untuk proyek ini: Dr Carlo De Luca (mentoring),
Dr Andrew Fuglevand (bimbingan), Dr Levent Burak Kara (pemrograman tablet),
Eamon Egan (desain untuk merekam sinkronisasi), Dr Mitch Thompson (aplikasi
piezoelektrik), Dr Berrin Yanikoglu (pengenalan pola), Dr Ian Mc Keague (analisis
statistik), Dr Bjørg Elisabeth Kilavik (pendekatan pemrograman), Dr Fred
Schlereth (komentar), Dr Arkady M.. Pertsov (komentar), Dr Danil Prokhorov
(komentar).
Semua penelitian yang melibatkan peserta manusia telah disetujui oleh Dewan
Tinjauan Kelembagaan St Lawrence University, Canton, NY.

Kontribusi Penulis Teratas

Disusun dan dirancang percobaan: ML MAL BEJ. Dilakukan percobaan: ML BEJ.


Menganalisis data: ML MAL. Menulis kertas: ML MAL BEJ.

Referensi Top

Birbaumer N, Murguialday AR, Cohen L (2008) Otak-interface komputer


kelumpuhan. Curr Opin neurol 21: 634-638. Temukan artikel ini secara online

Lebedev MA, Nicolelis MA (2006) Otak-mesin interface: masa lalu, sekarang dan
masa depan. Tren Neurosci 29: 536-546. Temukan artikel ini secara online

Wolpaw JR, McFarland DJ (2004) Pengawasan sinyal gerakan dua dimensi dengan
antarmuka otak-komputer non-invasif pada manusia. PNAS 101: 17849-17854.
Temukan artikel ini secara online

Ohnishi K, Weir RF, Kuiken TA (2007) antarmuka untuk mengendalikan mesin


multifungsi Syaraf prostesis powered atas dahan. Rev Med Devices Ahli 4: 43-53.
Temukan artikel ini secara online

Parker P, Englehart K, Hudgins B (2006) Myoelectric pemrosesan sinyal untuk


mengontrol anggota tubuh powered prostheses. J Kinesiol 16 Electromyogr: 541-
548. Temukan artikel ini secara online

Uellendahl JE (2000) prosthetics ekstremitas Atas myoelectric. Phys Med Clin N


Am Rehabil 11: 639-652. Temukan artikel ini secara online

Seifert HM, Fuglevand AJ (2002) Pemulihan gerakan menggunakan stimulasi


listrik fungsional dan teorema Bayes '. J Neurosci 22: 9465-9474. Temukan
artikel ini secara online

Anderson CV, Fuglevand AJ (2008) prediksi Probabilitas berbasis aktivitas pada


otot lengan beberapa: implikasi bagi stimulasi elektrik fungsional. J 100
Neurophysiol: 482-494. Temukan artikel ini secara online

McGee EM, Maguire GQ Jr (2007) Menjadi borg menjadi abadi: teknologi otak
mengatur implan. Camb Q Healthc Etika 16: 291-302. Temukan artikel ini secara
online

McKeague IW (2005) Sebuah model statistik untuk verifikasi tanda tangan. J


Assoc Amer Statistik 100: 231-241. Temukan artikel ini secara online

Van Gemmert AW, Teulings HL, Contreras-Vidal JL, Stelmach GE (1999) penyakit
Parkinson dan kontrol ukuran dan kecepatan dalam tulisan tangan.
Neuropsychologia 37: 685-694. Temukan artikel ini secara online
Silveri MC, Corda F, Di Nardo M (2007) Pusat dan aspek perangkat menulis
gangguan pada penyakit Alzheimer. J Exp Clin Neuropsychol 29: 179-186.
Temukan artikel ini secara online

Wiener N (1949) Ekstrapolasi, Interpolasi, dan Smoothing Seri Time Stationary.


New York: Wiley.

Haykin S (2002) Teori Filter Adaptif 4th ed. Prentice Hall. Upper Saddle River, NJ.

JV Basmajian, de Luca CJ (1985) Otot Alive - Fungsi diturunkan oleh


Elektromiografi. Williams & Wilkins Perusahaan; Baltimore.

RA Fisher (1936) Penggunaan berbagai pengukuran dalam masalah taksonomi.


Annals of 7 Eugenics: 179-188. Temukan artikel ini secara online

Luzzatti C, Laiacona M, Agazzi D (2003) Multiple pola penulisan gangguan pada


demensia tipe Alzheimer dan evolusi mereka. Neuropsychologia 41: 759-772.
Temukan artikel ini secara online

Tucha O, L Mecklinger, Thome J, Reiter A, Alders GL, et al. (2006) Kinematic


analisis efek dopaminergik pada gerakan tulisan tangan terampil dalam penyakit
Parkinson. J Transm Neural 113: 609-623. Temukan artikel ini secara online

Elble RJ, Moody C, Higgins C (1990) tremor menulis Primer. Suatu bentuk distonia
fokal? Mov Disord 5: 118-126. Temukan artikel ini secara online

Racine MB, Majnemer A, Shevell M, Snider L (2008) Tulisan Tangan kinerja pada
anak dengan gangguan attention deficit hyperactivity (ADHD). J neurol 23 Anak:
399-406. Temukan artikel ini secara online