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