ترجمه فارسی مقاله FORS-EMG: مجموعه داده‌های جدید sEMG برای تشخیص ژست دست در جهت‌های چندگانه ساعد

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی FORS-EMG: A Novel sEMG Dataset for Hand Gesture Recognition Across Multiple Forearm Orientations
عنوان مقاله به فارسی FORS-EMG: مجموعه داده‌های جدید sEMG برای تشخیص ژست دست در جهت‌های چندگانه ساعد
نویسندگان Umme Rumman, Arifa Ferdousi, Md. Sazzad Hossain, Md. Johirul Islam, Shamim Ahmad, Mamun Bin Ibne Reaz, Md. Rezaul Islam
فرمت مقاله انگلیسی PDF
تعداد صفحات 11
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Signal Processing,Human-Computer Interaction,Machine Learning,پردازش سیگنال , تعامل انسان و رایانه , یادگیری ماشین ,
توضیحات Submitted 3 September, 2024; originally announced September 2024. , Comments: 11 pages, 9 figures
توضیحات به فارسی ارسال شده در 3 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد ، نظرات: 11 صفحه ، 9 شکل
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Surface electromyography (sEMG) signal holds great potential in the research fields of gesture recognition and the development of robust prosthetic hands. However, the sEMG signal is compromised with physiological or dynamic factors such as forearm orientations, electrode displacement, limb position, etc. The existing dataset of sEMG is limited as they often ignore these dynamic factors during recording. In this paper, we have proposed a dataset of multichannel sEMG signals to evaluate common daily living hand gestures performed with three forearm orientations. The dataset is collected from nineteen intact-limed subjects, performing twelve hand gestures with three forearm orientations: supination, rest, and pronation.Additionally, two electrode placement positions (elbow and forearm) are considered while recording the sEMG signal. The dataset is open for public access in MATLAB file format. The key purpose of the dataset is to offer an extensive resource for developing a robust machine learning classification algorithm and hand gesture recognition applications. We validated the high quality of the dataset by assessing the signal quality matrices and classification performance, utilizing popular machine learning algorithms, various feature extraction methods, and variable window size. The obtained result highlighted the significant potential of this novel sEMG dataset that can be used as a benchmark for developing hand gesture recognition systems, conducting clinical research on sEMG, and developing human-computer interaction applications. Dataset:https://www.kaggle.com/datasets/ummerummanchaity/fors-emg-a-novel-semg-dataset/data

چکیده به فارسی (ترجمه ماشینی)

سیگنال الکترومیوگرافی سطح (SEMG) پتانسیل بسیار خوبی را در زمینه های تحقیق تشخیص ژست و توسعه دست های پروتز قوی دارد.با این حال ، سیگنال SEMG با عوامل فیزیولوژیکی یا پویا مانند جهت گیری ساعد ، جابجایی الکترود ، موقعیت اندام و غیره به خطر می افتد. مجموعه داده های موجود SEMG محدود است زیرا اغلب در هنگام ضبط این عوامل پویا را نادیده می گیرند.در این مقاله ، ما یک مجموعه داده از سیگنال های SEMG چند کاناله را برای ارزیابی حرکات دست زندگی روزمره که با سه جهت ساعد انجام می شود ، پیشنهاد کرده ایم.این مجموعه داده از نوزده موضوع بدون زبان دست نخورده جمع آوری می شود و دوازده حرکات دستی را با سه جهت ساعد انجام می دهد: سوپراسیون ، استراحت و تلفظ. به طور کلی ، دو موقعیت قرار دادن الکترود (آرنج و ساعد) هنگام ضبط سیگنال SEMG در نظر گرفته می شوند.مجموعه داده برای دسترسی عمومی در قالب پرونده MATLAB باز است.هدف اصلی مجموعه داده ارائه یک منبع گسترده برای توسعه یک الگوریتم طبقه بندی یادگیری ماشین قوی و برنامه های تشخیص ژست دست است.ما با ارزیابی ماتریس کیفیت سیگنال و عملکرد طبقه بندی ، با استفاده از الگوریتم های یادگیری ماشین محبوب ، روش های مختلف استخراج ویژگی ها و اندازه پنجره متغیر ، کیفیت بالای مجموعه داده را تأیید کردیم.نتیجه به دست آمده پتانسیل قابل توجهی از این مجموعه داده SEMG جدید را که می تواند به عنوان معیار برای توسعه سیستم های تشخیص حرکات دست ، انجام تحقیقات بالینی در مورد SEMG و توسعه برنامه های تعامل انسان و کامپیوتر برجسته شود ، برجسته کرد.مجموعه داده ها: https: //www.kaggle.com/datasets/ummerummanchaity/fors-emg-a-novel-semg-dataset/data

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.