طبقه بندی کننده سیگنال EMG مبتنی بر مدل سازی (MBES) برای اهداف کنترل از راه دور رباتیک

همکاری سریع و سریع انسان پیش بینی می کند که در صورت ایجاد کانال های ارتباطی مؤثر ، یک اپراتور انسانی می تواند یک ربات را بدون رابط مکانیکی فرمان دهد. در محیط های پر سر و صدا ، ارتعاش و حساس به نور ، برخی از سنسورها برای تشخیص قصد انسان می توانند موضوعات مهمی را برای اتخاذ پیدا کنند. در مقابل ، به نظر می رسد سیگنال های بیولوژیکی ، به عنوان سیگنال های الکترومیوگرافی (EMG) مؤثرتر هستند. به منظور فرماندهی یک ربات مشترک آزمایشگاهی که توسط عضلات پنوماتیک McKibben مجهز شده است ، محرک های امیدوار کننده برای همکاری انسان و روتوت به دلیل رعایت ذاتی و ویژگی های ایمنی آنها مورد بررسی قرار گرفته است ، یک طبقه بندی کننده سیگنال الکترومیوگرافی مبتنی بر مدل سازی جدید (MBES) ایجاد شده است. این بنا بر اساس یک سنسور EMG ، یک MyOTRAC ، یک Arduino Uno و یک کد مناسب ، که در محیط MATLAB ایجاد شده است ، است که تشخیص سیگنال EMG را انجام می دهد. طبقه بندی کننده می تواند سیگنال های EMG تولید شده توسط سه حرکات انگشت دست ، بدون در نظر گرفتن دامنه و مدت زمان سیگنال و تلاش عضلانی را تشخیص دهد ، با تکیه بر سه مدل ریاضی: نمایی ، کسری و گاوسی. این مدلهای ریاضی به گونه ای انتخاب شده اند که با منحنی های سیگنال EMG بهترین مناسب هستند. به هر یک از آنها می توان سیگنال رضایت را برای انجام کار انتخاب و انتخاب مورد نظر توسط ربات اختصاص داد. یک فعالیت آزمایشی برای آزمایش و دستیابی به بهترین عملکرد طبقه بندی انجام شد. طبقه بندی معتبر برای کنترل سه سطح فشار یک عضله پنوماتیک از نوع McKibben استفاده شد. نتایج دلگرم کننده نشان می دهد که طبقه بندی کننده توسعه یافته می تواند یک رابط فرمان معتبر برای اهداف روباتیک باشد.

1. معرفی

یکی از روند صنعت 4. 0 روباتیک پیشرفته است [1]: پیش بینی استفاده گسترده از روبات های مشترک ، به اصطلاح کبوت ها ، که گسترش آن در حال حاضر به شدت در حال رشد است [2]. بر اساس توسعه COBOTS ، این مفهوم وجود دارد که اپراتورهای انسانی مهارت های حل مسئله ای غیرقابل مقایسه دارند اما به زور و دقت محدود می شوند. در مقابل ، سیستم های روباتیک وظایف را با سرعت بالاتر ، تکرارپذیری بالاتر و بهره وری بهتر انجام می دهند اما در انعطاف پذیری محدود می شوند [3]. این الگوی جدید از جایگزینی انسانها توسط روبات ها جلوگیری می کند ، همکاری انسان و ربات (HRC) را که انسان و روبات هایی را که با خیال راحت در کنار هم کار می کنند و به اشتراک می گذارند ، تشویق می کند و استفاده از کابوت ها را نیز در کاربردهای غیر صنعتی گسترش می دهد.

اگرچه چندین روش برای اطمینان از ایمنی انسان ها تعریف شده است ، با توجه به مشخصات و دستورالعمل های تعریف شده در [4] ، اگر عوامل انسانی به درستی مورد توجه قرار نگیرند ، می توانند برخی از آنها را به خطر بیاندازند. به همین دلیل ، از یک طرف ، اپراتور انسانی باید مهارت های جدیدی را برای ایمنی بدست آورد و بهبود بخشد [5] ؛از طرف دیگر ، اپراتور انسانی می تواند نقش جدیدی در تعامل با روبات هایی داشته باشد که کنترل آنها بدون رابط های مکانیکی (یعنی سوئیچ های دکمه ، لنت های لمسی ، سنسورهای تماس) فعال شده توسط اپراتور ، اما توسط سیستم هایی که مستقیماً انسان را تشخیص می دهند ، رخ می دهد. قصداز این رو ، در صورت ایجاد کانال های ارتباطی مؤثر بین انسان و روبات ، HRC می تواند اپراتورهای انسانی را از کارهای سنگین و بیگانه رها کند و از امنیت خود اطمینان حاصل کند.

به همین دلیل ، HRC علایق تحقیقاتی را با هدف فرماندهی روبات توسط اپراتورهای انسانی ایجاد کرده است.

دسته اول فعالیتهای تحقیقاتی که در این موضوع مورد بررسی قرار گرفته است ، از طریق چندین رویکرد ، حرکت ژست دست یا بدن را اتخاذ می کند: در [6] ، با سنسورهای اینرسی و مغناطیسی ، یک دستکش داده حرکت بازو و دست را ضبط می کند ، داده های سنسورها را پردازش می کند. و یک بازوی روباتیک را اجرا می کند. با دوربین های بیشتر ، پردازش تصویر برای ژست و تشخیص وضعیت وضعیت انجام می شود [7،8،9] ؛از طریق یک دستگاه Kinect [10] ، حرکت بدن تشخیص داده می شود و یک تصویر فیزیکی از آن ایجاد می شود [11،12]. در [13] ، از پردازش تصویر برای تشخیص تغییرات در شکل دهان به منظور کنترل بازوی روباتیک مبتنی بر ویلچر استفاده شد. کنترل کننده حرکت LEAP ، یک دستگاه بدون تماس مبتنی بر بینایی ، در چندین برنامه برای ردیابی موقعیت ، سرعت و جهت گیری یک دست یک جراح و تشخیص حرکت هر انگشت به منظور کنترل یک بازوی ربات جراحی اتخاذ شد [14] ؛کنترل کننده های حرکتی بیشتر برای ردیابی دست در دستکاری شیء روباتیک اتخاذ شد [15].

برای یک فرمان بسیار آسان ، شهودی و طبیعی روبات ها ، منطقه بزرگی از علایق تحقیق با استفاده از سیگنال های بیولوژیکی اشغال می شود ، زیرا آنها در انجام یک کار کاملاً به قصد انسان در ارتباط هستند. کلاس دوم فعالیتهای تحقیقاتی سیگنال های الکتروانسفالوگرافی (EEG) را اتخاذ می کند ، بیان فعالیت الکتریکی در مغز: در [16] ، از سیگنال های EEG برای کنترل ربات E-Puck برای حمل غذای یک موش استفاده شد. در [17] ، برای کنترل ویلچر برای حرکت از طریق ساختمان که پنج طبقه آن توسط یک آسانسور وصل شده است. نمونه های دیگر استفاده از سیگنال های بیولوژیکی در انواع مختلفی از توانبخشی و دستگاه های کمک پزشکی (پروتز و ارتز) ، روبات های انسان دوست و روبات های صنعتی است [18،19،20،21،22،23]. سیگنال های الکترومیوگرافی (EMG) ، بیان فعالیت الکتریکی عضلات ، به طور گسترده ای در چندین برنامه کاربردی پذیرفته شده است: برای کنترل ردیابی خط یک ربات موبایل [24]. برای کنترل یک اسکلت اسکلت ، که از عضلات پنوماتیک استفاده می شود ، که ضمن انجام حرکات وزنه برداری از پشت پشتیبانی می کند [25]. در ترکیب با یک سنسور واحد اندازه گیری اینرسی (IMU) ، برای کنترل یک ربات سیار بر اساس تشخیص ژست [26]. در ترکیب با الکترو اکولوگرافی (EOG) ، EEG ، سیستم های بینایی و حرکات سر ، برای کنترل یک بازوی روباتیک [27] یا در ترکیب با یک دستگاه Kinect [28].

تمام راه حل های فوق به سیستم های کنترل عملکردی ، وقت گیر و گران قیمت نیاز دارند. علاوه بر این ، برخی از سنسورها می توانند در محیط خارجی رنج ببرند: سنسورهای اینرسی نسبت به ارتعاشات حساس هستند. سیستم های بینایی نسبت به نور حساس هستند ، که می تواند باعث تصادف شود. در برخی از نکات دست ، سنسورهای بینایی می توانند دقت ناکافی را نشان دهند. سرانجام ، سیگنال های بیولوژیکی نسبت به اتصالات حسگر بسیار حساس هستند که جابجایی های تصادفی آنها می تواند منجر به سیگنال های نادرست شود. از آنجا که آنها به طور معمول به صورت سیگنال های آنالوگ برای استراتژی های کنترل متناسب اتخاذ می شوند ، انجام تکنیک های تهویه سیگنال لازم است. در چندین تکرار از همان حرکت انسان ، سیگنال ها یکسان نیستند و برای تشخیص قصد انسان ، سنسورهای بیشتری لازم است.

برای کنترل یک ربات مشترک آزمایشگاهی که توسط عضلات پنوماتیک McKibben ساخته شده است ، هدف از این تحقیق تعریف طبقه بندی کننده سیگنال EMG ژست دستی است. در کارهای انتخابی و مکان ، در برنامه های کمکی صنعتی یا زیست پزشکی ، واحد کنترل ربات برای دستیابی به موقعیت های هدف برنامه ریزی شده تعریف شده در فضا به سیگنال های رضایت دیجیتال نیاز دارد. ایده مفهومی تحقیق حاضر تولید سیگنال های رضایت از سیگنال های EMG تولید شده توسط حرکات انگشت یک اپراتور انسانی است. دامنه یا مدت زمان سیگنال EMG یا تلاش عضلانی کاربر مهم نیست ، بلکه شکل دادن به سیگنال بر اساس حرکت انجام شده انگشتان ، با حرکت روبات مورد نظر است.

جدید بودن تحقیقات ارائه شده ، طراحی یک طبقه بندی کننده سیگنال EMG مبتنی بر مدل سازی (MBES) است. با داشتن یک سنسور EMG ، که به درستی در ساعد یک اپراتور انسانی قرار گرفته است ، طبقه بندی کننده سیگنال EMG توسعه یافته سه حرکت انگشت مختلف را تشخیص می دهد و به هر یک از آنها شکلی تعریف می شود که توسط یک مدل عملکرد ریاضی تعریف شده است ، برای تعداد کل سه مدل عملکرد ریاضی. برای آزمایش آزمایشی امکان سنجی چنین متدولوژی ، به هر شکل یک فشار هوا برای ارسال به عضله پنوماتیک McKibben اختصاص داده می شود ، که به سه مقدار مختلف طول می رسد. در این روش ، از طبقه بندی کننده سیگنال می توان برای تشخیص نیت انسان و تولید سیگنال های رضایت برای حرکت ربات در بسیاری از برنامه های ایمنی رباتیک استفاده کرد.

این مقاله به شرح زیر سازماندهی شده است: در بخش 2 ، زمینه کاربرد یک ربات مشارکتی که توسط عضلات پنوماتیک McKibben ساخته شده است و دلیل این تحقیق ارائه شده است. علاوه بر این ، به طور خلاصه سیگنال EMG را معرفی می کند. سرانجام ، حرکات به دست آمده ، ابزار دقیق اتخاذ شده ، نحوه کار طبقه بندی MBES ، تست های تجربی برای بهینه سازی طبقه بندی کننده MBES و خصوصیات آن را توصیف می کند. بخش 4 از استفاده از روش پیشنهادی در عضله سیال فستو از نوع McKibben گزارش می دهد. بخش نتیجه گیری نسخه خطی را می بندد.

2. مواد و روشها

2. 1زمینه برنامه

با توجه به رعایت ذاتی و ویژگی های ایمنی آنها ، عضلات مصنوعی پنوماتیک (PAM) [29] محرک های نویدبخش برای روباتیک و اتوماسیون هستند. آنها از یک غشای الاستیک تقویت شده بسته ساخته شده اند. تورم هوا باعث گسترش شعاعی همراه با انقباض غشای محوری می شود و یک نیروی کشش ایجاد می کند. یک انتهای عضله ثابت است. دیگری حرکت می کند و نیروی انقباضی را اعمال می کند. PAM ها را می توان برای روبات های توانبخشی [30] و در کاربردهای صنعتی تصویب کرد [31]. برای دستیابی به حرکت یک مفصل ، PAM ها معمولاً در سه تنظیمات فعال سازی ممکن برای کار کار می کنند: آگونیستی-آنتنیستی ، موازی و بیولوژیکی [30]. صرف نظر از نوع پیکربندی ، حرکت یک مفصل به سطح فشار داخل عضلات بستگی دارد. در پیکربندی آگونیست ی-آنتن گرایانه ترین ، که یک جفت عضله را پیش بینی می کند که انتهای آزاد آنها توسط یک کابل در اطراف یک قرقره وصل شده است ، سطح فشار باعث ایجاد تغییرات عضلات در طول ، کاربرد نیرو و چرخش مفصل می شود.

یک طرح از یک بازوی ربات سه درجه آزادی ، با استفاده از عضلات پنوماتیک McKibben (MCKs) [32] ، که در پیکربندی آگونیستی-آنگونیستی نصب شده است ، در شکل 1 نشان داده شده است. شش عضله (MCK1 و MCK2 برای اولین بار ؛ MCK3 و MCK4 برای مشترک دوم ؛ MCK5 و MCK6 برای سومین مفصل). برای انتقال توپ به رنگ آبی به سه موقعیت هدف ، جفت عضلانی هر مفصل به سه مجموعه فشار مختلف نیاز دارد (همانطور که برای عضله I ، P I '، P I' و P I '' برای اول ، دومو به ترتیب مقام سوم).

با استناد به شکل 1 ، در کارهای انتخابی و مکان ، با توجه به جرم شیء که باید جابجا شود ، موقعیت هدف و سرعت حرکت مورد نظر ، لازم است سطح فشار مناسب را برای ارسال به هر عضله و چگونگی دانستنآن را بفرست. با توجه به موضوع اول ، پس از توصیف سیستم ، می توان فشارها/موقعیت های مربوط به عملکرد شیء را که باید جابجا شود ، نقشه برداری کرد. با توجه به موضوع دوم ، چندین استراتژی کنترل با موفقیت به کار گرفته شد: کنترل کننده های سنتی PI و PID ، کنترل کننده نیرو/موقعیت عصبی تطبیقی ترکیبی ، کنترل کننده PID ترکیبی با بازخورد موقعیت ، کنترل کننده شبکه عصبی فازی [30].

با این وجود ، موضوع اصلی نحوه تولید سیگنال های رضایت برای فعال کردن مسیر مسیر کنترل شده ربات از یک موقعیت به موقعیت دیگر ، با توجه به قصد اپراتور انسانی است ، به ویژه هنگامی که یک سیگنال بیولوژیکی از ژست مناسب ترین است. استفاده می شود ، و سنسورهای فوق الذکر نمی توانند اتخاذ شوند (در محیط های پر سر و صدا ، ارتعاش و حساس به نور).

ایده مفهومی از روش پیشنهادی ، پیوند دادن یک ژست مناسب از اپراتور برای فعال کردن یک روبات برای رسیدن به موقعیت هدف است. از این رو ، مهم است که ابتدا ژست را بشناسیم. سپس ، یک سیگنال رضایت خروجی مناسب باید برای واحد کنترل ربات ایجاد شود که به ربات اجازه می دهد تا به موقعیت هدف مورد نظر برسد.

حرکات انگشت دست و سیگنال های EMG ارجاع شده برای برنامه پیشنهادی مناسب است.

2. 2سیگنال EMG: شرح مختصری

سیگنال های EMG فعالیت الکتروشیمیایی درگیر در فعال سازی واحدهای حرکتی عضلات را اندازه گیری می کنند. از آنجا که واحدهای حرکتی بیشتری در انقباض عضلات دخیل هستند ، سیگنال EMG به عنوان یک سیگنال نامنظم ، پر سر و صدا ظاهر می شود که از نظر فیلتر ، اصلاح ، تقویت و هموار سازی نیاز به تهویه دارد. دامنه سیگنال های حاصل ، نه به صورت خطی ، به عنوان تابعی از افزایش تلاش عضلات افزایش می یابد. با این وجود ، برای یک تلاش معین ، EMG Signal برای یک دوره کوتاه مقدار خاصی را حفظ می کند و از این رو پایین می رود [33]. سیگنال های EMG به طور معمول برای تشخیص بیماری های عضلانی بدون نیاز به مداخله جراحی اتخاذ می شوند. در دهه های اخیر ، آنها همچنین در کنترل دستگاه های توانبخشی ، دستگاه های کمک پزشکی و دستگاه های روباتیک به تصویب رسیده اند زیرا سیگنال های EMG اندازه گیری از قصد فرمان یک کاربر را ارائه می دهند. فعالیت الکتریکی عضلات قبل از انقباض عضلات رخ می دهد [34] ، و هرگونه تغییر در عملکرد عضلات به طور مستقیم در شکل سیگنال تولید شده منعکس می شود [35]. به همین دلیل ، سیگنال های EMG به عنوان سیگنال های آنالوگ برای تولید سیگنال های خروجی کنترل متناسب تصویب می شوند [36]. چنین سیگنالهایی معمولاً در بافت عضلانی ، با استفاده از سوزن یا روی سطح پوست بر روی محل عضله ، توسط الکترودهای سطح به دست می آیند [34]. دومی تنها دستگاههای مناسب برای HRC هستند ، زیرا سوزن ها باید از نظر جراحی کاشته شوند اما تشخیص دقیق دامنه ، تلاش و مدت زمان فعالیت عضلانی یک فرد به دلایل زیادی را دشوار می کنند:

سیگنال اکتسابی سیگنال حاصل است که با فعالیت عضلات مختلف درگیر در همان حرکت ایجاد می شود.

عضلات فردی نه تنها با یک حرکت واحد بلکه انواع مختلفی از حرکات همراه است.

سطح فعالیت هر عضله فرد برای همان حرکت کمی متفاوت است. بدست آوردن همان دامنه سیگنال EMG برای همان حرکت حتی با همان شخص دشوار است ، زیرا سیگنال EMG یک سیگنال تولید شده از نظر بیولوژیکی است.

نقش هر عضله در یک حرکت خاص از مفصل با توجه به زاویه مفصل متفاوت است. دامنه و مدت زمان سیگنال به سطح تلاش عضلات و مدت زمان آن بستگی دارد.

به منظور غلبه بر این مشکلات ، طبقه بندی کننده MBES از سیگنال های EMG تصور و توسعه یافته است.

در بخش زیر توضیح می دهد که چگونه طبقه بندی کننده MBES توسعه یافته از تعریف حرکات به شناخت آنها در شرایط عملیاتی مختلف کار می کند.

2. 3حرکات انگشت دست

انتخاب حرکات دست مناسب بر اساس دو ملاحظات است. طبقه بندی کننده MBES باید فقط یک سنسور EMG را برای سادگی نصب پروب سنسور اتخاذ کند و زمان محاسباتی را برای پردازش سیگنال کاهش دهد. حرکات باید از نظر ارگونومیک ساده باشد و به راحتی برای اپراتورهای انسانی به خاطر بسپارید.

سپس ، پس از چندین آزمایش در انجام حرکات دست ، سه حرکات آسان انگشت به دست آمده است به طوری که آنها شکل سیگنال قابل تشخیص متفاوتی دارند: خم شدن انگشت شاخص ، خم شدن یک به یک از تمام انگشتان شروع می شودکوچک و خمش معاصر همه انگشتان. شکل 2 A-C عملکرد سه حرکت را نشان می دهد. عضلات که عمدتاً در چنین حرکاتی دخیل هستند ، Flexor Digitorum profundus و flexor digitorum serficialis هستند که در ساعد قرار می گیرند ، همانطور که در شکل 2D نشان داده شده است.

2. 4ابداع

برای تشخیص فعالیت عضلات ، در طی تنش عضلات ، فقط از یک سنسور EMG استفاده می شود. این امکان وجود دارد که یک موضوع از هر دست استفاده کند ، صرف نظر از اینکه شخص دست چپ یا دست راست باشد. پروب سنسور (شکل 3A) به صفحه الکترود (شکل 3B) حاوی سه الکترود متصل شده است: دو دستگاه فعال (+، -) و یک مرجع (Ref). پروب باید همانطور که در شکل 3C نشان داده شده است ، با الکترودهای فعال به موازات الیاف عضلانی قرار گیرد. یک سیم با سنسور MyOTRAC ™ EMG به صفحه الکترود می پیوندد (فناوری فکر ، مونترال ، QC ، کانادا). این مدار الکترونیکی حساس است که سر و صدای سیگنال های عضلانی خام را از بین می برد ، بنابراین آنها را اصلاح ، تقویت و صاف می کند. به دلیل حساسیت بالا ، MyOTRAC ™ برای قرار دادن کاوشگر سنسور نیازی به آماده سازی پوست ندارد.

برای اهداف تحقیق حاضر ، از طریق کنترل در صفحه جلوی سنسور ، افزایش سنسور روی موقعیت X100 (دامنه سیگنال 0. 08-2000 میکرو ولت) تنظیم شده است ، و دامنه فرکانس برای تشخیص سیگنال به صورت گسترده تنظیم شده است (20-500 هرتز). خروجی شرط سنسور EMG به شکل سیگنال آنالوگ است. چنین سیگنالی توسط درگاه آنالوگ 0-2 ولت در یک طرف MyOTRAC posed استخراج می شود.

طبقه بندی کننده MBES بر اساس کاربرد یک مدل عملکرد ریاضی به شکل سیگنال EMG اکتسابی است. برای اجرای روش مدل سازی ریاضی ، یک رایانه شخصی لپ تاپ (Intel I5 ، نسل 10 ؛ درگاه های USB3) ، با اجرای Mathworks Matlab (انتشار R2021B) اتخاذ شده است. از آنجا که رایانه شخصی به درگاه ورودی آنالوگ مجهز نیست ، از یک صفحه Arduino Uno (A1) به عنوان یک مدار رابط برای این منظور استفاده شده است. ارتباط بین PC و A1 توسط یک درگاه USB رخ می دهد. یک کد MATLAB مبدل آنالوگ به دیجیتال (ADC) A1 را برای خواندن سیگنال دیجیتالی شده برای پردازش برای روش مدل سازی ریاضی در MATLAB مدیریت می کند. اگرچه حداکثر نمونه برداری فرکانس A1 برابر با 9615 هرتز است ، فرکانس نمونه گیری فعلی سیستم دستیابی به داده های کلی که توسط MATLAB مدیریت می شود به حدود 75 هرتز کاهش می یابد. سپس ، هر نمونه 13 میلی ثانیه A به دست می آید. این ارزش به دو دلیل بستگی دارد: تأخیر زمانی به دلیل ارتباط بین A1 و درگاه USB. تأخیر زمان به دلیل کد MATLAB که درخواست خواندن نمونه سیگنال را به A1 ارسال می کند ، و پس از به دست آوردن و ذخیره ، همان درخواست را برای نمونه سیگنال بعدی و غیره تکرار می کند.

2. 5طبقه بندی کننده MBES

روش های بسیاری وجود دارد که می تواند برای طبقه بندی سیگنال های EMG مانند شبکه های عصبی [37] ، منطق فازی [38] ، دستگاه بردار پشتیبانی [39] و سایر تکنیک های محاسباتی استفاده شود [18،40]. همه این روش ها برخی از ویژگی ها (میانگین مقدار ، مقدار RMS و غیره) را از بخش هایی از سیگنال های EMG محاسبه می کنند. در مقابل ، روش پیشنهادی از کل سیگنال EMG استفاده می کند زیرا مدت زمان آن به اندازه کافی مختصر است ، بنابراین ، به دلیل تأخیر زمانی کوتاه بین ژست دست و حرکت ربات و استخراج برخی از بخش های سیگنال ، هیچ انتقادی نمی تواند رخ دهدباعث غفلت برخی از اطلاعاتی که در آن گنجانده شده است.

روش پیشنهادی مبتنی بر مدل سازی سیگنال عضلات و ناشی از یک حرکت خاص ، توسط یک مدل ریاضی مناسب است. این امر تشخیص حرکات شخص را بر اساس سیگنال های تولید شده توسط عضلات آسان تر می کند. پس از چندین آزمایش مقدماتی که با برخی از داوطلبان انجام شده است ، سه مدل ریاضی برای هر یک از حرکات ذکر شده در بخش 2. 3 برای توصیف بهترین منحنی های مناسب سیگنال های ذکر شده به آن حرکات یافت شده است. به خاطر سادگی ، سرعت زیاد محاسبه و هیچ نیاز به پیش از آموزش ، مانند شبکه عصبی ، در میان چندین تکنیک برای یافتن یک مدل ریاضی برای یک سیگنال متغیر زمان ، منحنی با استفاده از تخمین حداقل مربعات غیر خطیروش (NLSE) اتخاذ شده است. این روش یک فرمول ریاضی برای بهترین عملکرد غیر خطی (عملکرد نمایی ، آماری یا کسری) از تمام مقادیر نمونه های سیگنال EMG به دست آمده می یابد. به منظور تعیین بهترین فرمول ریاضی برای هر حرکت ، از روش آزمایش و خطا برای انتخاب مدل ریاضی که به بهترین وجه متناسب با منحنی سیگنال EMG برای هر حرکت است استفاده شده است.

منحنی سیگنال EMG از حرکت اول توسط یک تابع نمایی مدل شده است ، که توسط معادله (1) داده شده است: