علم تصمیم گیری و سیستم های هوشمند 3060-7574 3 1405 01 01 Hand Gesture Recognition Based on EEG-EMG Coherence Analysis and Convolutional Neural Network with Application in Intelligent Police Control Systems تشخیص حرکات دست با بررسی تغییرات رابطه انسجامی بین اتصالات سیگنال EEG و EMG و شبکه عصبی کانولوشنی 1 18 EN ایمان آهنیان گروه مهندسی پزشکی، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران محمدرضا انصاری گروه مهندسی پزشکی، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران فرداد فرخی گروه مهندسی پزشکی، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران Journal Article 1404 06 27 <p>Hand movement recognition using brain signals (EEG) and muscle signals (EMG) is one of the central topics in neuroscience and biomedical engineering and has many applications in areas such as neural prosthesis control, brain-computer interfaces (BCI), and rehabilitation of patients with motor disorders. Accurate and rapid identification of hand movements can help improve the quality of life of individuals with motor disabilities and plays an essential role in the development of intelligent motor control systems. In this research, a novel approach for hand movement recognition based on EEG and EMG signals and the use of deep neural networks is presented. In this method, by employing signal preprocessing steps, nonlinear feature extraction, and classification based on neural networks, the accuracy and speed of recognition have been improved. In addition, the concept of coherence relationship between EEG and EMG signals has been used to analyze the functional connection between brain and muscle. Evaluating changes in the coherence relationship between high-density EEG and EMG signal connections has provided more accurate recognition of hand movements. The experimental results show that the proposed method has higher accuracy compared to existing methods. The use of a deep convolutional neural network (CNN) along with the analysis of coherence relationships between signals has significantly increased the accuracy of hand movement recognition; quantitative evaluations show that the model on the training, test, and total data provides stable and reliable performance with AUC values of 0.987, 0.919, and 0.971, and R² coefficients of 0.9956, 0.9803, and 0.9679, respectively.</p> <p>تشخیص حرکت دست با بهره‌گیری از سیگنال‌های مغزی (EEG) و عضلانی (EMG) یکی از موضوعات محوری در علوم اعصاب و مهندسی پزشکی به شمار می‌رود و در حوزه‌هایی نظیر کنترل پروتزهای عصبی، رابط‌های مغز-رایانه  و توانبخشی بیماران دچار اختلالات حرکتی کاربرد فراوان دارد. شناسایی دقیق و سریع حرکات دست می‌تواند به ارتقای کیفیت زندگی افراد دارای ناتوانی‌های حرکتی کمک کرده و در توسعه سامانه‌های هوشمند کنترل حرکتی نقشی اساسی ایفا کند. در این پژوهش، رویکردی نوین برای تشخیص حرکت دست مبتنی بر سیگنال‌های EEG و EMG و استفاده از شبکه‌های عصبی عمیق ارائه شده است. در این روش، با به‌کارگیری مراحل پیش‌پردازش سیگنال، استخراج ویژگی‌های غیرخطی و طبقه‌بندی مبتنی بر شبکه‌های عصبی، دقت و سرعت تشخیص بهبود یافته است. افزون بر این، مفهوم رابطه‌ی انسجامی میان سیگنال‌های EEG و EMG برای تحلیل ارتباط عملکردی مغز و عضله به کار گرفته شده است. ارزیابی تغییرات رابطه‌ی انسجامی بین اتصالات سیگنال‌های EEG و EMG با چگالی بالا، امکان تشخیص دقیق‌تر حرکات دست را فراهم کرده است. نتایج آزمایش‌ها نشان می‌دهد روش پیشنهادی در مقایسه با روش‌های موجود از صحت بالاتری برخوردار است. بهره‌گیری از شبکه عصبی کانولوشنی عمیق  همراه با تحلیل روابط انسجامی میان سیگنال‌ها، دقت تشخیص حرکت دست را به شکل قابل توجهی افزایش داده است؛ ارزیابی‌های کمی نشان می‌دهند که مدل بر روی داده‌های آموزش، آزمون و کل داده‌ها به‌ترتیب با مقادیر AUC برابر 0.987، 0.919 و 0.971 و ضرایب تعیین R² برابر 0.9956، 0.9803 و 0.9679، عملکردی پایدار و قابل‌اتکا ارائه می‌کند.</p> https://dsisj.com/index.php/dsisj/article/download/120/53