Wavelet Transform-Based Classification of ElectroMyogram Signals Using an ANOVA Technique
Wavelet analysis of surface electromyogram (sEMG) signals has been investigated. Methods
 to remove noise before processing and further analysis are rather significant for these
 signals. The sEMG signals were estimated with the following steps, first, the obtained
 signal wa...
Gespeichert in:
| Veröffentlicht in: | Нейрофизиология |
|---|---|
| Datum: | 2015 |
| 1. Verfasser: | |
| Format: | Artikel |
| Sprache: | Englisch |
| Veröffentlicht: |
Інститут фізіології ім. О.О. Богомольця НАН України
2015
|
| Online Zugang: | https://nasplib.isofts.kiev.ua/handle/123456789/148211 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Zitieren: | Wavelet Transform-Based Classification of ElectroMyogram Signals Using an ANOVA Technique / V. Karan // Нейрофизиология. — 2015. — Т. 47, № 4. — С. 356-363. — Бібліогр.: 18 назв. — англ. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1862579591194869760 |
|---|---|
| author | Karan, V. |
| author_facet | Karan, V. |
| citation_txt | Wavelet Transform-Based Classification of ElectroMyogram Signals Using an ANOVA Technique / V. Karan // Нейрофизиология. — 2015. — Т. 47, № 4. — С. 356-363. — Бібліогр.: 18 назв. — англ. |
| collection | DSpace DC |
| container_title | Нейрофизиология |
| description | Wavelet analysis of surface electromyogram (sEMG) signals has been investigated. Methods
to remove noise before processing and further analysis are rather significant for these
signals. The sEMG signals were estimated with the following steps, first, the obtained
signal was decomposed using wavelet transform; then, decomposed coefficients were
analyzed by threshold methods, and, finally, reconstruction was performed. Comparison of
the Daubechies wavelet family for effective removing noise from the recorded sEMGs was
executed preciously. As was found, wavelet transform db4 performs denoising best among
the aforesaid wavelet family. Results inferred that Daubechies wavelet families (db4) were
more suitable for the analysis of sEMG signals related to different upper limb motions, and
a classification accuracy of 88.90% was achieved. Then, a statistical technique (one-way
repeated factorial analysis) for the experimental coefficient was done to investigate the class
separability among different motions.
Досліджували можливість застосування вейвлет-аналізу
щодо сигналів поверхневої електроміограми (пЕМГ). Використання видалення шумів із записів пЕМГ перед обробкою таких сигналів для подальшого аналізу є дуже істотним.
Сигнали пЕМГ оцінювалися в наступній послідовності:
спочатку отриманий сигнал підлягав декомпозиції з використанням вейвлет-перетворення, потім декомпозовані
коефіцієнти аналізувались із застосуванням порогових методик, і, нарешті, виконувалася реконструкція. Попередньо порівнювали ефективність видалення шумів у межах
вейвлет-сімейства Daubechies. Було встановлено, що вейвлет-перетворення db4 із цього сімейства виконує знешумлення найкращим чином. Отримані результати вказують на
те, що вейвлет-сімейства Daubechies є більш придатними
для аналізу пЕМГ сигналів, отриманих в умовах реєстрації
різних моторних реакцій м’язів верхніх кінцівок; досягалася точність класифікації 88.9 %. Потім статистична методика (однобічний повторний факторіальний аналіз) застосовувалася щодо експериментальних коефіцієнтів для
встановлення якості розділення даних при різних рухах.
|
| first_indexed | 2025-11-26T19:16:08Z |
| format | Article |
| fulltext | |
| id | nasplib_isofts_kiev_ua-123456789-148211 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 0028-2561 |
| language | English |
| last_indexed | 2025-11-26T19:16:08Z |
| publishDate | 2015 |
| publisher | Інститут фізіології ім. О.О. Богомольця НАН України |
| record_format | dspace |
| spelling | Karan, V. 2019-02-17T17:45:13Z 2019-02-17T17:45:13Z 2015 Wavelet Transform-Based Classification of ElectroMyogram Signals Using an ANOVA Technique / V. Karan // Нейрофизиология. — 2015. — Т. 47, № 4. — С. 356-363. — Бібліогр.: 18 назв. — англ. 0028-2561 https://nasplib.isofts.kiev.ua/handle/123456789/148211 612.741.1:519.218.82 Wavelet analysis of surface electromyogram (sEMG) signals has been investigated. Methods
 to remove noise before processing and further analysis are rather significant for these
 signals. The sEMG signals were estimated with the following steps, first, the obtained
 signal was decomposed using wavelet transform; then, decomposed coefficients were
 analyzed by threshold methods, and, finally, reconstruction was performed. Comparison of
 the Daubechies wavelet family for effective removing noise from the recorded sEMGs was
 executed preciously. As was found, wavelet transform db4 performs denoising best among
 the aforesaid wavelet family. Results inferred that Daubechies wavelet families (db4) were
 more suitable for the analysis of sEMG signals related to different upper limb motions, and
 a classification accuracy of 88.90% was achieved. Then, a statistical technique (one-way
 repeated factorial analysis) for the experimental coefficient was done to investigate the class
 separability among different motions. Досліджували можливість застосування вейвлет-аналізу
 щодо сигналів поверхневої електроміограми (пЕМГ). Використання видалення шумів із записів пЕМГ перед обробкою таких сигналів для подальшого аналізу є дуже істотним.
 Сигнали пЕМГ оцінювалися в наступній послідовності:
 спочатку отриманий сигнал підлягав декомпозиції з використанням вейвлет-перетворення, потім декомпозовані
 коефіцієнти аналізувались із застосуванням порогових методик, і, нарешті, виконувалася реконструкція. Попередньо порівнювали ефективність видалення шумів у межах
 вейвлет-сімейства Daubechies. Було встановлено, що вейвлет-перетворення db4 із цього сімейства виконує знешумлення найкращим чином. Отримані результати вказують на
 те, що вейвлет-сімейства Daubechies є більш придатними
 для аналізу пЕМГ сигналів, отриманих в умовах реєстрації
 різних моторних реакцій м’язів верхніх кінцівок; досягалася точність класифікації 88.9 %. Потім статистична методика (однобічний повторний факторіальний аналіз) застосовувалася щодо експериментальних коефіцієнтів для
 встановлення якості розділення даних при різних рухах. The author is grateful to Dr. Amod
 Kumar and Dr. Ravinder Agarwal, PhD supervisors for helping
 in writing this paper. en Інститут фізіології ім. О.О. Богомольця НАН України Нейрофизиология Wavelet Transform-Based Classification of ElectroMyogram Signals Using an ANOVA Technique Класифікація електроміографічних сигналів з використанням аналізу ANOVA, базована на вейвлет-перетвореннях Article published earlier |
| spellingShingle | Wavelet Transform-Based Classification of ElectroMyogram Signals Using an ANOVA Technique Karan, V. |
| title | Wavelet Transform-Based Classification of ElectroMyogram Signals Using an ANOVA Technique |
| title_alt | Класифікація електроміографічних сигналів з використанням аналізу ANOVA, базована на вейвлет-перетвореннях |
| title_full | Wavelet Transform-Based Classification of ElectroMyogram Signals Using an ANOVA Technique |
| title_fullStr | Wavelet Transform-Based Classification of ElectroMyogram Signals Using an ANOVA Technique |
| title_full_unstemmed | Wavelet Transform-Based Classification of ElectroMyogram Signals Using an ANOVA Technique |
| title_short | Wavelet Transform-Based Classification of ElectroMyogram Signals Using an ANOVA Technique |
| title_sort | wavelet transform-based classification of electromyogram signals using an anova technique |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/148211 |
| work_keys_str_mv | AT karanv wavelettransformbasedclassificationofelectromyogramsignalsusingananovatechnique AT karanv klasifíkacíâelektromíografíčnihsignalívzvikoristannâmanalízuanovabazovananaveivletperetvorennâh |