دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1
نویسندگان: Bita Mokhlesabadifarahani. Vinit Kumar Gunjan (auth.)
سری: SpringerBriefs in Applied Sciences and Technology : Forensic and Medical Bioinformatics
ISBN (شابک) : 9789812873194, 9789812873200
ناشر: Springer-Verlag Singapur
سال نشر: 2015
تعداد صفحات: 43
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 3 مگابایت
در صورت تبدیل فایل کتاب EMG Signals Characterization in Three States of Contraction by Fuzzy Network and Feature Extraction به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب خصوصیات سیگنال های EMG در سه حالت انقباض توسط شبکه فازی و استخراج ویژگی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
اختلالات و آسیبهای عصبی-عضلانی و اسکلتی عضلانی بر سبک زندگی و تواناییهای حرکتی افراد تأثیر میگذارد. این مختصر یک روش سیستماتیک برای تشخیص سطح کاهش قدرت عضلانی در اختلالات اسکلتی عضلانی و عصبی-عضلانی را برجسته می کند. سیستم عصبی فازی با 70 درصد از پنجره قطع الکترومیوگرافی (EMG) ثبت شده آموزش داده می شود و سپس برای اهداف طبقه بندی و مدل سازی استفاده می شود. طبقهبندیکننده عصبی فازی در مقایسه با برخی از طبقهبندیکنندههای معروف دیگر در طبقهبندی سیگنالهای EMG ثبتشده با سه حالت انقباض مربوط به ویژگیهای استخراجشده معتبر است. ساختارهای مختلف طبقهبندیکننده عصبی-فازی نیز به صورت مقایسهای برای یافتن ساختار بهینه طبقهبندیکننده مورد استفاده تجزیه و تحلیل میشوند.
Neuro-muscular and musculoskeletal disorders and injuries highly affect the life style and the motion abilities of an individual. This brief highlights a systematic method for detection of the level of muscle power declining in musculoskeletal and Neuro-muscular disorders. The neuro-fuzzy system is trained with 70 percent of the recorded Electromyography (EMG) cut off window and then used for classification and modeling purposes. The neuro-fuzzy classifier is validated in comparison to some other well-known classifiers in classification of the recorded EMG signals with the three states of contractions corresponding to the extracted features. Different structures of the neuro-fuzzy classifier are also comparatively analyzed to find the optimum structure of the classifier used.
Front Matter....Pages i-xv
Introduction to EMG Technique and Feature Extraction....Pages 1-9
Methodology for Working with EMG Dataset....Pages 11-20
Results....Pages 21-26
Conclusions and Inferences of Present Study....Pages 27-27
Back Matter....Pages 29-35