Wavelet denoising algorithms have b

Wavelet denoising algorithms have been received considerable attention in the removal of noises of surface electromyography (sEMG) signal. Wavelet denoising algorithms proposed by Donoho's method is more often used in sEMG signal. However, Donoho's method is limited especially for multifunction myoelectric control. It does not only remove noises but it also removes some important part of sEMG signals. This study proposes an improved threshold estimation method. Six modified threshold estimation methods associated with the selected thresholding rescaling are evaluated. SEMG signal from six hand motions with additive WGN at various signal-to-noise ratios (SNRs) were applied to evaluate the efficient of method. Features of the estimated signal are sent to classification task. Evaluations of the performance of these algorithms are mean squared error (MSE) and classification rate. The results show that global scale modified universal (GSMU) method provides better performance than traditional Donoho's method. It produces sEMG signals that remain important information of the original sEMG signal and can eliminate lots of noises. The average MSE are 0.0024 at 20 dB SNR, low noise, and 0.074 at 0 dB, high noise. The accuracy of hand movement recognition of sEMG signal that estimates from GSMU is improved. It improves 1 to 4% of the classification accuracy depend on level of noise. In addition, performance of level dependent method is better than the others rescaling method. In the experiment, GSMU threshold estimation method is an efficient method for producing useful sEMG signal without noise and improving the application of hand movement recognition.

Results (Thai) 1:

ขั้นตอนวิธีการ denoising เวฟได้รับความสนใจมากในการกำจัดเสียงของพื้นผิวไฟฟ้า (semg) สัญญาณ ขั้นตอนวิธีการ denoising เวฟเสนอโดยวิธี DONOHO เป็นบ่อยขึ้นที่ใช้ในการส่งสัญญาณ semg แต่วิธีการ DONOHO จะถูก จำกัด โดยเฉพาะอย่างยิ่งสำหรับการควบคุม myoelectric มัลติฟังก์ชั่มันไม่เพียงลบเสียง แต่ยังเอาบางส่วนที่สำคัญของสัญญาณ semg การศึกษานี้เสนอวิธีการประมาณค่าเกณฑ์ที่ดีขึ้น ปรับเปลี่ยนวิธีการประเมินเกณฑ์ที่เกี่ยวข้องกับหก rescaling thresholding ที่เลือกได้รับการประเมินสัญญาณ semg จากหกการเคลื่อนไหวมือที่มีสารเติมแต่งที่ดับเบิลยูที่อัตราส่วนต่างๆสัญญาณต่อสัญญาณรบกวน (snrs) ถูกนำไปใช้ในการประเมินประสิทธิภาพของวิธีการ คุณสมบัติของสัญญาณที่คาดจะถูกส่งไปให้กับงานการจัดหมวดหมู่ การประเมินผลการปฏิบัติงานของขั้นตอนวิธีการเหล่านี้มีข้อผิดพลาดหมายถึงยกกำลังสอง (MSE) และอัตราการจัดหมวดหมู่ผลลัพธ์ที่ได้แสดงให้เห็นว่ามีการปรับเปลี่ยนระดับโลกสากล (gsmu) วิธีการให้ประสิทธิภาพที่ดีขึ้นกว่าวิธีการแบบดั้งเดิมของ DONOHO จะผลิตสัญญาณ semg ที่ยังคงข้อมูลที่สำคัญของสัญญาณ semg เดิมและสามารถกำจัดจำนวนมากของเสียง MSE เฉลี่ย 0.0024 ที่ 20 ฐาน SNR เสียงต่ำและ 0.074 ที่ 0 เดซิเบลเสียงสูงความถูกต้องของการรับรู้การเคลื่อนไหวมือข​​องสัญญาณ semg ที่ประมาณการจาก gsmu จะดีขึ้น จะช่วยเพิ่ม 1 ถึง 4% ของความถูกต้องจัดหมวดหมู่ขึ้นอยู่กับระดับของเสียง นอกจากนี้ประสิทธิภาพของวิธีการขึ้นอยู่ในระดับที่ดีกว่าคนอื่น ๆ rescaling วิธี ในการทดสอบวิธีการประมาณค่าเกณฑ์ gsmu เป็นวิธีที่มีประสิทธิภาพในการผลิตสัญญาณ semg ที่มีประโยชน์โดยไม่ต้องเสียงรบกวนและการปรับปรุงโปรแกรมของการรับรู้การเคลื่อนไหวมือ

Results (Thai) 2:

อัลกอริทึม denoising wavelet ได้รับความสนใจมากในการกำจัดเสียงสัญญาณผิว electromyography (sEMG) Wavelet denoising อัลกอริทึมในการนำเสนอ ด้วยวิธีการของ Donoho มีใช้บ่อยในสัญญาณ sEMG อย่างไรก็ตาม วิธีการของ Donoho มีจำกัดโดยเฉพาะอย่างยิ่งสำหรับควบคุมเครื่องมัลติฟังก์ชั่น myoelectric มันไม่ลบเสียง แต่มันยังเอาบางส่วนที่สำคัญของสัญญาณ sEMG การศึกษานี้เสนอวิธีการประเมินการปรับปรุงขีดจำกัด 6 ปรับเปลี่ยนวิธีการเชื่อมโยงกับ rescaling thresholding เลือกจะถูกประเมินขีดจำกัด สัญญาณ SEMG จากหกมือดังกับ WGN สามารถที่อัตราส่วนสัญญาณต่อเสียงต่าง ๆ (SNRs) ถูกนำไปใช้เพื่อประเมินประสิทธิภาพของวิธีการ คุณลักษณะของสัญญาณโดยประมาณจะถูกส่งไปจัดประเภทงาน ประเมินประสิทธิภาพการทำงานของอัลกอริทึมเหล่านี้จะหมายถึง ข้อผิดพลาดที่ยกกำลังสอง (MSE) และอัตราการจัดประเภท การแสดงผลที่ระดับสากลปรับเปลี่ยนวิธีการสากล (GSMU) มีประสิทธิภาพดีกว่าวิธีแบบดั้งเดิม Donoho จะสร้างสัญญาณ sEMG ซึ่งข้อมูลที่สำคัญของสัญญาณ sEMG เดิมยังคงอยู่ และสามารถขจัดของเสียง MSE เฉลี่ย 0.0024 ที่ 20 dB SNR เสียงรบกวนต่ำ และ 0.074 ที่เสียง 0 dB สูงได้ ความถูกต้องของการเคลื่อนไหวมือของสัญญาณ sEMG ที่ประเมินจาก GSMU จะดีขึ้น เป็นการปรับปรุง 1-2% ของการจัดประเภท ความแม่นยำขึ้นอยู่กับระดับของเสียง นอกจากนี้ ประสิทธิภาพของวิธีการอ้างอิงระดับจะดีกว่าคนอื่น ๆ rescaling วิธีการ ในการทดลอง วิธีประเมินขีดจำกัดของ GSMU เป็นวิธีมีประสิทธิภาพสำหรับผลิตสัญญาณ sEMG มีประโยชน์ โดยไม่มีเสียงรบกวน และปรับปรุงโปรแกรมประยุกต์ของการรับรู้ความเคลื่อนไหวของมือ

Results (Thai) 3:

อัลกอริธึม denoising wavelet ได้รับการได้รับความสนใจอย่างมากในการถอดเสียงของพื้นผิว electromyography ( semg )สัญญาณ wavelet denoising อัลกอริธึมที่เสนอโดยใช้วิธีการของ donoho ถูกใช้ในสัญญาณ semg บ่อยขึ้น อย่างไรก็ตามวิธีการของ donoho มีจำกัด(มหาชน)โดยเฉพาะการควบคุม myoelectric มัลติฟังก์ชั่นแต่จะไม่ออกเสียงเท่านั้นแต่ยังช่วยลบส่วนที่สำคัญบางส่วนของสัญญาณ semg การศึกษานี้นำเสนอวิธีการประเมินราคาค่าขีดจำกัดที่ดีขึ้น หกวิธีประเมินราคาค่าขีดจำกัดแก้ไขที่เกี่ยวข้องกับ rescaling thresholding ที่เลือกจะได้รับการประเมินผลสัญญาณ semg จากหกเคลื่อนไหวของมือผสมด้วยอัตราส่วน wgn ที่ Signal - to - noise ( snrs )ซึ่งได้ถูกนำมาใช้ในการประเมินผลอย่างมี ประสิทธิภาพ ของวิธีการ คุณสมบัติของสัญญาณคาดว่าจะถูกส่งไปยังงานการแบ่ง ประเภท การทดสอบใช้งานของ ประสิทธิภาพ การทำงานของอัลกอริธึมเหล่านี้จะเกิดข้อผิดพลาดบนสังเวียน( mse )และอัตราการแบ่ง ประเภทผลที่ได้แสดงให้เห็นว่าจริงระดับโลกได้รับการแก้ไข Universal ( gsmu )เป็นวิธีการมี ประสิทธิภาพ มากยิ่งขึ้นกว่าวิธีการของ donoho แบบดั้งเดิม โดยจะให้สัญญาณ semg ที่ยังเหลืออยู่ข้อมูลที่สำคัญของสัญญาณ semg เดิมและสามารถลดจำนวนมากของเสียง mse โดยเฉลี่ย 0.0024 ที่ SNR 20 dB เสียงรบกวนต่ำและ 0.074 ที่ 0 dB เสียงสูงความเที่ยงตรงของการรู้จำการเคลื่อนไหวมือของสัญญาณ semg ที่ประเมินจาก gsmu ได้รับการปรับปรุง มันจะช่วยปรับปรุง 1 ถึง 4% ของความถูกต้องการแบ่ง ประเภท ได้ขึ้นอยู่กับระดับของเสียง ในการเพิ่ม ประสิทธิภาพ การทำงานของวิธีการขึ้นอยู่กับระดับดีกว่าคนอื่นที่ rescaling วิธี ในการทดลองที่วิธีการกำหนดราคาขั้นต่ำ gsmu เป็นวิธีการที่มี ประสิทธิภาพ สำหรับการผลิตสัญญาณ semg มีประโยชน์ไม่มีสัญญาณรบกวนและปรับปรุงแอปพลิเคชันนี้ในการจดจำการเคลื่อนไหวมือ