الذكاء الاصطناعي للتصنيف والتحكم لتحسني وظائف الطرف الاصطناعي العلوي

الملخص

تهدف هذه الدراسة إلى تطوير منهجية لتصنيف الإشارات الكهربية العضلية (Electromyography, EMG) باستخدام الشبكات العصبية الالتفافية (Convolutional Neural Networks, CNN)، بهدف تبسيط آلية التحكم في الأطراف الصناعية العلوية وتحسين كفاءتها التشغيلية. وقد اعتمدت الدراسة على قاعدة بيانات تضم 200 عينة من إشارات EMG، جُمعت من عضلات الساعد لمشارك واحد أثناء أداء حركتين أساسيتين هما قبض اليد وبسطها. ولتحقيق هذا الهدف، تم تصميم نموذج يعتمد على الشبكة العصبية الالتفافية أحادية البعد (One-Dimensional Convolutional Neural Network, 1D-CNN)، بحيث يتولى استخراج الخصائص المميزة لإشارات EMG ومن ثم تصنيفها وفقًا للحركة المنفذة. كما قُسمت البيانات إلى مجموعتين؛ خُصصت 80% من العينات لتدريب النموذج، بينما استُخدمت النسبة المتبقية البالغة 20% لاختبار أدائه وتقييم كفاءته. وتضمن الهيكل المعماري للنموذج طبقات التفاف (Convolutional Layers) لاستخلاص السمات المهمة من الإشارات العضلية، تلتها طبقات تجميع (Pooling Layers) لتقليل أبعاد البيانات مع الحفاظ على المعلومات الأساسية، ثم طبقات كثيفة (Dense Layers) لإجراء التصنيف الثنائي بين حركتي القبض والبسط. وأظهرت نتائج التجارب أن النموذج حقق دقة تصنيف بلغت 100% على بيانات الاختبار، مما يعكس كفاءة عالية في التمييز بين الحركتين. بالإضافة إلى ذلك، تم حفظ الأوزان الناتجة عن النموذج المُدرَّب داخل المتحكم الدقيق ESP32، بهدف استخدامها في تصنيف إشارات EMG ضمن تطبيقات التحكم بالأطراف الصناعية في الزمن الحقيقي.