💻 computer science

Evolutionary Kernel-based T-Spherical Fuzzy C-Means Clustering, application to EMG signal

यह शोध पत्र इवोल्यूशनरी कर्नेल-आधारित टी-स्फेरिकल फजी सी-मीन्स (EKTSFCM) एल्गोरिदम का प्रस्ताव करता है, जो ईएमजी (EMG) संकेतों जैसे जटिल डेटासेट में बेहतर क्लस्टरिंग सटीकता और शोर रोधकता (noise robustness) प्राप्त करने के लिए टी-स्फेरिकल फजी सेट्स और विकासवादी तकनीकों द्वारा अनुकूलित एक दोहरे-कर्नेल दूरी मीट्रिक को एकीकृत करता है।

मूल लेखक: Seyyed Hassan Ziafati Bagherzadeh, Seyed Ehsan Razavi, Gelareh Veisi

प्रकाशित 2026-08-05

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Seyyed Hassan Ziafati Bagherzadeh, Seyed Ehsan Razavi, Gelareh Veisi

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप लेगो (LEGO) के एक विशाल, बिखरे हुए डिब्बे को छांटने की कोशिश कर रहे हैं। कुछ टुकड़े स्पष्ट रूप से लाल हैं, कुछ स्पष्ट रूप से नीले हैं, लेकिन कई बैंगनी हैं, या आधे लाल/आधे नीले हैं, या इतने धूल भरे और टूटे हुए हैं कि आप यह भी सुनिश्चित नहीं हो पा रहे हैं कि वे इस डिब्बे के हैं भी या नहीं। डेटा साइंस की दुनिया में, यह "क्लस्टरिंग" (clustering) का दैनिक संघर्ष है। यह कंप्यूटर को बिना किसी शिक्षक द्वारा बताए कि क्या खोजना है, छिपे हुए पैटर्न खोजने और समान चीजों को एक साथ समूहबद्ध करने का कौशल सिखाने की कला है। यह फोटो व्यवस्थित करने से लेकर बीमारियों का निदान करने तक, हर चीज़ के लिए महत्वपूर्ण है। लेकिन वास्तविक दुनिया का डेटा अव्यवस्थित होता है। यह शोर (static), आउटलेयर्स (अजीब ग्लिच), और उन "ग्रे क्षेत्रों" से भरा होता है जहाँ एक डेटा का टुकड़ा किसी एक श्रेणी में ठीक से फिट नहीं बैठता। पारंपरिक तरीके अक्सर इन अव्यवस्थित टुकड़ों को ऐसे बॉक्स में डालने के लिए मजबूर करते हैं जो उनके लिए पूरी तरह सही नहीं है, या वे शोर से भ्रमित होकर हार मान लेते हैं। इसे हल करने के लिए, वैज्ञानिक "फजी लॉजिक" (fuzzy logic) का उपयोग करते हैं, जो एक डेटा के टुकड़े को एक सख्त "हाँ" या "नहीं" के उत्तर के बजाय एक ही समय में अलग-अलग ताकत के साथ कई समूहों से संबंधित होने की अनुमति देता है।

अब, इस्लामिक आजाद यूनिवर्सिटी के शोधकर्ताओं से मिलिए, जिन्होंने एक नई, सुपर-स्मार्ट सॉर्टिंग मशीन बनाई है जिसे EKTSFCM कहा जाता है। इसे एक अगली पीढ़ी के लेगो सॉर्टर के रूप में सोचें जो केवल यह नहीं पूछता: "क्या यह टुकड़ा लाल या नीला है?" इसके बजाय, यह अधिक विस्तृत प्रश्नों का एक सेट पूछता है: "यह कितना लाल दिखता है? यह कितना नहीं लाल दिखता है? क्या यह बस बताने के लिए बहुत धूल भरा है (हिचकिचाहट/hesitation)? या यह इतना अजीब और टूटा हुआ है कि इसे कूड़े में फेंक दिया जाना चाहिए (इनकार/refusal)?" इन अतिरिक्त प्रश्नों की परतें जोड़कर, यह मशीन अविश्वसनीय सहजता के साथ सबसे अव्यवस्थित, शोर वाले डेटा को संभाल सकती है। उन्होंने इस नए सॉर्टर का परीक्षण EMG सिग्नल्स पर किया—जो वास्तव में आपके शरीर की मांसपेशियों की विद्युत तरंगें हैं जब आप हिलते-डुलते हैं। चूंकि मांसपेशियों के संकेत स्वाभाविक रूप से शोर वाले होते हैं और आपस में ओवरलैप होते हैं, इसलिए वे एक नए सॉर्टिंग एल्गोरिदम के लिए एकदम सही "स्ट्रेस टेस्ट" हैं। शोधकर्ताओं ने पाया कि उनके नए तरीके ने, जो गणितीय उपकरणों के एक विशेष मिश्रण और एक "जेनेटिक एल्गोरिदम" (एक कंप्यूटर प्रोग्राम जो प्रकृति की तरह अपने सर्वोत्तम सेटिंग्स खुद विकसित करता है) का उपयोग करता है, मांसपेशियों के संकेतों को पिछले किसी भी तरीके की तुलना में बहुत बेहतर ढंग से छांटा।

समस्या: अव्यवस्थित मांसपेशी संकेत (The Messy Muscle Signal)

कल्पना कीजिए कि आप एक रिस्टबैंड (wristband) का उपयोग करके हाथों के इशारों को पहचानने की कोशिश कर रहे हैं जो आपकी मांसपेशियों की बिजली को पढ़ता है। जब आप मुट्ठी बंद करते हैं, तो आपकी मांसपेशियां एक विशिष्ट विद्युत संकेत भेजती हैं। जब आप अपना हाथ खोलते हैं, तो वे दूसरा संकेत भेजती हैं। लेकिन वास्तविक दुनिया में, ये संकेत कभी भी साफ नहीं होते। हवा से शोर, आपके फोन से हस्तक्षेप, और कभी-कभी संक्रमण के दौरान आपकी मांसपेशियां भ्रमित हो जाती हैं।

पुराने सॉर्टिंग एल्गोरिदम (जैसे मानक Fuzzy C-Means) एक सख्त लाइब्रेरियन की तरह हैं जो जोर देते हैं कि हर किताब को ठीक एक शेल्फ पर होना चाहिए। यदि कोई किताब आधी फिक्शन और आधी मिस्ट्री है, तो लाइब्रेरियन को अनुमान लगाना पड़ता है कि वह किस शेल्फ पर जाएगी, और अक्सर गलती कर बैठता है। यहाँ तक कि "इंट्यूशनिस्टिक" (Intuitionistic) संस्करण भी, जो कुछ अनिश्चितता स्वीकार करते हैं, फिर भी संघर्ष करते हैं क्योंकि वे "मैं निश्चित नहीं हूँ" (हिचकिचाहट) और "यह यहाँ बिल्कुल भी नहीं होना चाहिए" (इनकार) के बीच अंतर नहीं कर पाते। वे जटिल, गैर-रेखीय डेटा आकृतियों से भी आसानी से भ्रमित हो जाते हैं, जैसे कि बादलों के बीच एक सीधी रेखा खींचने की कोशिश करना।

समाधान: एक चार-आयामी जासूस (The Solution: A Four-Dimensional Detective)

लेखकों ने Evolutionary Kernel T-Spherical Fuzzy C-Means (EKTSFCM) नामक एक नया फ्रेमवर्क प्रस्तावित किया है। आइए इस मशीन के अंदर मौजूद तीन शानदार गैजेट्स को समझें:

1. द टी-स्फेरिकल फजी डिटेक्टिव (TSFS)
केवल "क्या यह लाल है?" या "क्या यह लाल नहीं है?" पूछने के बजाय, यह जासूस प्रत्येक डेटा बिंदु के लिए चार प्रश्न पूछता है:

मेंबरशिप (Membership): यह यहाँ कितना संबंधित है?
नॉन-मेंबरशिप (Non-membership): यह यहाँ कितना संबंधित नहीं है?
हेसिटेशन (Hesitation): क्या यह बस बताने के लिए बहुत धुंधला है?
रिफ्यूजल (Refusal): क्या यह डेटा बिंदु इतना अजीब या शोर वाला है कि यह किसी भी समूह में शामिल होने से इनकार करता है?

यह "इनकार" (refusal) की डिग्री गेम-चेंजर है। पिछले तरीकों में, एक शोर वाले, बेकार डेटा बिंदु को एक समूह में शामिल होने के लिए मजबूर किया जाता था, जिससे पूरे समूह का औसत गिर जाता था। EKTSFCM में, एल्गोरिदम कह सकता है, "यह बिंदु बहुत अव्यवस्थित है; मैं इसे किसी भी क्लस्टर में असाइन करने से इनकार करता हूँ।" यह समूहों को साफ और सटीक रखता है।

2. द ड्यूल-कर्नेल लेंस (The Dual-Kernel Lens)
पैटर्न को स्पष्ट रूप से देखने के लिए, एल्गोरिदम एक ही समय में दो अलग-अलग "लेंस" (कर्नेल) का उपयोग करता है।

गौसियन लेंस (Gaussian Lens) चिकना और कोमल है, जो सामान्य आकृतियों को देखने के लिए अच्छा है।
बेल-शेप्ड लेंस (Bell-Shaped Lens) अधिक तीक्ष्ण है; यह तेजी से गिरने से पहले कुछ समय तक ऊंचा और स्थिर रहता है।
दोनों को मिलाकर, एल्गोरिदम डेटा के सुचारू वक्रों और उस तीक्ष्ण सीमा दोनों को देख सकता है जहाँ एक इशारा समाप्त होता है और दूसरा शुरू होता है। यह एक आदर्श तस्वीर पाने के लिए एक साथ वाइड-एंगल लेंस और ज़ूम लेंस का उपयोग करने जैसा है।

3. द इवोल्यूशनरी ट्यूनर (The Evolutionary Tuner)
मशीन में घुमाने के लिए बहुत सारे नॉब और डायल हैं (जैसे कि समूह कितने धुंधले होने चाहिए, लेंस कितने तीक्ष्ण होने चाहिए, आदि)। यदि आप उन्हें हाथ से घुमाते हैं, तो आप गलत हो सकते हैं। इसलिए, लेखकों ने एक जेनेटिक एल्गोरिदम (Genetic Algorithm) जोड़ा है। इसे एक डिजिटल विकास प्रयोगशाला के रूप में सोचें। कंप्यूटर 50 अलग-अलग संस्करण बनाता है, जिनमें से प्रत्येक में यादृच्छिक (random) सेटिंग्स होती हैं। यह उन सभी का परीक्षण करता है, सबसे अच्छे को रखता है, उनकी सेटिंग्स को आपस में मिलाता है (crossover), और थोड़ा यादृच्छिक परिवर्तन (mutation) जोड़ता है। 150 पीढ़ियों के ऊपर, मशीन उस विशिष्ट डेटा के लिए सेटिंग्स के सही संयोजन को खोजने के लिए "विकसित" होती है।

उन्होंने क्या पाया

टीम ने मांसपेशियों के संकेतों के तीन अलग-अलग डेटा सेटों पर इस नई मशीन का परीक्षण किया, जिसमें प्रसिद्ध NinaPro DB1 (27 लोग 52 अलग-अलग हाथ की गतिविधियों के साथ) और उच्च-रिज़ॉल्यूशन CapgMyo DB-a (128 सेंसर के साथ) शामिल हैं।

परिणाम प्रभावशाली थे। नया EKTSFCM तरीका लगातार पुराने मानक तरीकों से बेहतर प्रदर्शन करता है।

NinaPro DB1 डेटासेट पर, इसने 0.745 की क्लस्टरिंग सटीकता प्राप्त की (मानक विधि के 0.612 की तुलना में)।
CapgMyo DB-a डेटासेट पर, इसने 0.818 सटीकता हासिल की (अगले सबसे अच्छे तरीके, जो कि 0.795 था, को पछाड़ते हुए)।
यह शोर के प्रति बहुत अधिक मजबूत भी साबित हुआ। जब शोधकर्ताओं ने संकेतों में स्टेटिक जोड़ा (खराब कनेक्शन का अनुकरण करते हुए), तो EKTSFCM ने दूसरों की तुलना में बहुत बेहतर स्थिति संभाली।

शोधकर्ताओं ने यह देखने के लिए एक "टेस्ट" (एब्लेशन स्टडी) भी चलाया कि मशीन का कौन सा हिस्सा सबसे अधिक काम कर रहा है। उन्होंने पाया कि किसी भी हिस्से को हटाने से—जैसे कि "इनकार" फीचर या "ड्यूल-कर्नेल" लेंस को हटाना—मशीन खराब हो गई। यह बताता है कि जादू केवल एक ट्रिक में नहीं है, बल्कि इस बात में है कि सभी भाग एक साथ कैसे काम करते हैं।

यह क्यों महत्वपूर्ण है

यह केवल एक गणितीय पहेली नहीं है; यह बेहतर मानव-कंप्यूटर इंटरैक्शन की ओर एक कदम है। यदि हम मांसपेशियों के संकेतों को अधिक सटीक रूप से वर्गीकृत कर सकते हैं, भले ही वे शोर वाले हों या उपयोगकर्ता अजीब तरह से हिल रहा हो, तो हम बेहतर प्रोस्थेटिक हाथ (prosthetic arms), अधिक प्रतिक्रियाशील वीडियो गेम कंट्रोलर और चिकित्सा उपकरण बना सकते हैं जो मांसपेशियों की समस्याओं का जल्दी पता लगा सकते हैं। लेखक सुझाव देते हैं कि अनिश्चितता को समझकर—यह जानकर कि डेटा को कब स्वीकार किया गया या कब हिचकिचाहट हुई—हम सिस्टम को सुरक्षित और अधिक विश्वसनीय बना सकते हैं, यह जानते हुए कि डेटा पर कब भरोसा करना है और कब कहना है, "मुझे यकीन नहीं है, चलो फिर से कोशिश करते हैं।"

संक्षेप में, यह पेपर दिखाता है कि अनिश्चितता को संभालने के लिए कंप्यूटर को अधिक सूक्ष्म तरीका देकर—उन्हें खराब डेटा को "ना" कहने और भ्रमित करने वाले डेटा को "शायद" कहने की अनुमति देकर—हम विज्ञान में सबसे कठिन सॉर्टिंग समस्याओं को हल कर सकते हैं।

तकनीकी सारांश: इवोल्यूशनरी कर्नेल-आधारित टी-स्फेरिक फजी सी-मीन्स क्लस्टरिंग (EKTSFCM)

समस्या विवरण
अत्यधिक ओवरलैपिंग क्लासों, गंभीर शोर (noise) और आउटलेर्स (outliers) द्वारा चिह्नित जटिल, वास्तविक दुनिया के डेटासेट को क्लस्टर करना एक महत्वपूर्ण चुनौती बनी हुई है। पारंपरिक फजी सी-मीन्स (FCM) एल्गोरिदम सिंगल-वैल्यूड मेंबरशिप डिग्री और यूक्लिडियन दूरी पर निर्भर करते हैं, जो अस्पष्ट संक्रमणकालीन अवस्थाओं (transitional states) में गहरी अनिश्चितता को पकड़ने, नॉन-लीनियर फीचर इंटरैक्शन को संभालने, या वास्तविक अस्पष्टता और शोर-प्रेरित अनिश्चितता के बीच अंतर करने में विफल रहते हैं। जबकि इंट्यूशनिस्टिक फजी सी-मीन्स (IFCM) नॉन-मेंबरशिप और हेसिटेशन डिग्री पेश करता है, यह मेंबरशिप और नॉन-मेंबरशिप के बीच कठोर रैखिक प्रतिबंधों से सीमित है और स्वतंत्र रूप से "इनकार" (refusal) या गैर-भागीदारी को मॉडल करने की क्षमता का अभाव है। इसके अलावा, मौजूदा कर्नेल-आधारित विधियां अक्सर एकल कर्नेल प्रकारों (जैसे, गॉसियन) पर निर्भर करती हैं जो इलेक्ट्रोमायोग्राफी (EMG) संकेतों जैसे डायनेमिक डेटा स्ट्रीम के संरचनात्मक डायनेमिक्स का पूर्ण दोहन करने में सक्षम नहीं हो सकती हैं।

कार्यप्रणाली
यह शोध इवोल्यूशनरी कर्नेल टी-स्फेरिक फजी सी-मीन्स (EKTSFCM) फ्रेमवर्क का प्रस्ताव करता है, जो इन सीमाओं को दूर करने के लिए तीन मुख्य घटकों को एकीकृत करता है:

टी-स्फेरिक फजी सेट्स (TSFS) फ्रेमवर्क:
यह विधि TSFS को एम्बेड करके फजी क्लस्टरिंग का विस्तार करती है, जो प्रत्येक डेटा पॉइंट के लिए चार ऑर्थोगोनल अनिश्चितता डिग्री को मॉडल करती है: मेंबरशिप ( $\mu$ ), नॉन-मेंबरशिप ( $\nu$ ), हेसिटेशन ( $\eta$ ), और रिफ्यूज़ल ( $r$ )। ये एक शिथिल नॉन-लीनियर बाधा के अधीन हैं: $\mu^\psi + \nu^\psi + \eta^\psi + r^\psi = 1$ ।

रिफ्यूज़ल डिग्री (Refusal Degree): एक नवीन योगदान जहाँ रिफ्यूज़ल डिग्री स्पष्ट रूप से खोजे गए क्लस्टर स्ट्रक्चर के साथ नमूने की असंगतता (जैसे, आउटलेर्स या शोर) को मात्रात्मक रूप से दर्शाती है, बजाय इसके कि उसे जबरन असाइन किया जाए।
ऑगमेंटेड डिग्री: हेसिटेशन और रिफ्यूज़ल को ऑगमेंटेड मेंबरशिप ( $\mu^*$ ) और नॉन-मेंबरशिप ( $\nu^*$ ) डिग्री के माध्यम से ऑब्जेक्टिव फंक्शन में एकीकृत किया गया है, जिससे एल्गोरिदम अनिश्चितता और गैर-भागीदारी को दंडित (penalize) कर सकता है।

डुअल-कर्नेल डिस्टेंस मेट्रिक:
नॉन-लीनियर ज्योमेट्री और जटिल सीमाओं को संभालने के लिए, EKTSFCM एक हाइब्रिड डिस्टेंस मेट्रिक का उपयोग करता है जो निम्नलिखित का संयोजन है:

गॉसियन कर्नेल: यूक्लिडियन दूरी के आधार पर स्मूथली डिके होने वाली असमानता (dissimilarity) को मॉडल करता है।
जनरलाइज्ड बेल-शेप्ड कर्नेल: एक मजबूत समानता माप प्रदान करता है जो एक विशिष्ट पैरामेट्रिक अंतराल के ऊपर उच्च वैधता बनाए रखता है और फिर तेजी से घटता है।
यह डुअल दृष्टिकोण ग्लोबल और लोकल ज्योमेट्रिक स्ट्रक्चर दोनों को कैप्चर करता है, जो सिंगल-कर्नेल विधियों की तुलना में नॉन-कॉन्वेक्स क्लस्टर्स के लिए बेहतर पृथक्करणीयता (separability) प्रदान करता है।

इवोल्यूशनरी ऑप्टिमाइजेशन:
इनिशियलाइजेशन के प्रति संवेदनशीलता और लोकल मिनिमा में समयपूर्व अभिसरण (premature convergence) को कम करने के लिए, एक जेनेटिक एल्गोरिदम (GA) का उपयोग हाइपरपैरामीटर स्पेस को ग्लोबली ऑप्टिमाइज़ करने के लिए किया जाता है। GA गतिशील रूप से ट्यून करता है:

TSFS पैरामीटर्स (फजीफिकेशन एक्सपोनेंट्स, टी-स्फेरिक एक्सपोनेंट $\psi$ , यागर कॉम्प्लीमेंट पैरामीटर $\alpha$ )।
डुअल-कर्नेल पैरामीटर्स (गॉसियन विड्थ $\sigma$ , बेल-कर्नेल स्पैन $P_{span}$ , और हार्डनेस $P_{hardness}$ )।
ऑब्जेक्टिव फंक्शन वेट्स ( $\gamma_1, \gamma_2, \gamma_3$ )।

एल्गोरिदम एक अल्टरनेटिंग ऑप्टिमाइजेशन स्कीम के माध्यम से संचालित होता है: आंतरिक लूप वर्तमान हाइपरपैरामीटर्स के आधार पर मेंबरशिप मैट्रिसेस और क्लस्टर सेंट्रोइड्स को अपडेट करता है, जबकि बाहरी GA लूप क्लस्टरिंग प्रभावकारिता को अधिकतम करने (ऑब्जेक्टिव फंक्शन को न्यूनतम करने) के लिए हाइपरपैमीटर्स को विकसित करता है।

प्रमुख योगदान

अग्रणी TSFS एकीकरण: यह कार्य अनसुपरवाइज्ड क्लस्टरिंग प्रतिमान के भीतर टी-स्फेरिक फजी सेट्स का पहला फॉर्मूलेशन प्रस्तुत करता है, जो मल्टी-डायमेंशनल अनिश्चितता और रिफ्यूज़ल डिग्री के माध्यम से अंतर्निहित आउटलेयर रिजेक्शन को मॉडल करने के लिए एक गणितीय रूप से कठोर तंत्र पेश करता है।
हाइब्रिड डुअल-कर्नेल मेट्रिक: हाई-डायमेंशनल स्पेस में नॉन-लीनियर फीचर सेपरेबिलिटी और शोर प्रतिरोध (noise resilience) को बढ़ाने के लिए गॉसियन और जनरलाइज्ड बेल-शेप्ड कर्नेल को संयोजित करने वाला एक नवीन डिस्टेंस फॉर्मूलेशन।
अनुकूली इवोल्यूशनरी रणनीति: डुअल-कर्नेल और TSFS पैरामीटर्स को संयुक्त रूप से ऑप्टिमाइज़ करने के लिए जेनेटिक एल्गोरिदम का एकीकरण, जो पारंपरिक फजी क्लस्टरिंग में निहित इनिशियलाइजेशन संवेदनशीलता और लोकल मिनिमा समस्याओं को दरकिनार करता है।

प्रायोगिक परिणाम
फ्रेमवर्क को तीन सार्वजनिक EMG/sEMG बेंचमार्क पर सत्यापित किया गया: NinaPro DB1, CapgMyo DB-a (हाई-डेंसिटी), और एक लाइटवेट EMG डेटासेट। इसकी तुलना FCM, IFCM, KFCM, और EKIFCM से की गई।

प्रदर्शन: EKTSFCM ने सभी बेसलाइन्स के मुकाबले एक्सटर्नल मेट्रिक्स (क्लस्टरिंग एक्यूरेसी, एडजस्टेड रैंड इंडेक्स, नॉर्मलाइज्ड म्यूचुअल इंफॉर्मेशन, और मैक्रो-F1) और इंटरनल मेट्रिक्स (सिलुएट कोएफिशिएंट, डेविस-बौल्डिन इंडेक्स, कैलिंस्की-हाराबज़ इंडेक्स) में लगातार बेहतर प्रदर्शन किया।
- NinaPro DB1 पर, EKTSFCM ने 74.5% एक्यूरेसी प्राप्त की, जो EKIFCM (72.0%) और KFCM (65.0%) से अधिक है।
- हाई-डायमेंशनल CapgMyo DB-a पर, इसने 81.8% एक्यूरेसी प्राप्त की, जो जटिल फीचर स्पेस में विशेष प्रभावकारिता प्रदर्शित करती है।
मजबूती (Robustness): एडिटिव व्हाइट गॉसियन नॉइज़ (SNR स्तर 5–20 dB) के तहत, EKTSFCM ने बेसलाइन विधियों की तुलना में कम एक्यूरेसी गिरावट प्रदर्शित की, जो गंभीर शोर के प्रति इसकी प्रतिरोधक क्षमता की पुष्टि करती है।
अभिसरण (Convergence): इवोल्यूशनरी सर्च ने एल्गोरिदम को कम इटरेशन में अभिसरण करने की अनुमति दी (जैसे, FCM के 48 के मुकाबले NinaPro DB1 पर 28 इटरेशन) और कम अंतिम ऑब्जेक्टिव वैल्यू प्राप्त की।
एब्लेशन स्टडी: घटकों (डुअल-कर्नेल, रिफ्यूज़ल डिग्री, या GA ट्यूनिंग) को हटाने से प्रदर्शन में गिरावट आई, जिससे पुष्टि होती है कि लाभ प्रस्तावित तत्वों के सहक्रियात्मक (synergistic) संयोजन के कारण है।

महत्व और दावे
पेपर का दावा है कि EKTSFCM जटिल क्लस्टरिंग परिदृश्यों के लिए एक अत्यधिक अनुकूलनीय, गणितीय रूप से कठोर समाधान प्रदान करता है जहाँ डेटा अनिश्चितता शास्त्रीय या इंट्यूशनिस्टिक फजी मॉडल की क्षमता से अधिक होती है। रिफ्यूज़ल को स्पष्ट रूप से मॉडल करके, यह विधि अनिश्चितता का अधिक व्याख्या योग्य विवरण प्रदान करती है, जो वास्तविक अस्पष्टता (हेसिटेशन) और सिग्नल असंगतता (रिफ्यूज़ल) के बीच अंतर करती है। यह विशेष रूप से न्यूरोमस्कुलर डायग्नोस्टिक्स और मायोइलेक्ट्रिक कंट्रोल के लिए महत्वपूर्ण है, जहाँ संक्रमणकालीन जेस्चर, शोर और वैध संकेतों के बीच अंतर करना महत्वपूर्ण है। लेखक यह दावा करते हैं कि यह फ्रेमवर्क उन्नत फजी लॉजिक थ्योरी और उच्च-आयामी, शोर वाले बायोमेडिकल सिग्नल विश्लेषण में व्यावहारिक, मजबूत अनुप्रयोग के बीच के अंतर को सफलतापूर्वक पाटता है।

समस्या: अव्यवस्थित मांसपेशी संकेत (The Messy Muscle Signal)

समाधान: एक चार-आयामी जासूस (The Solution: A Four-Dimensional Detective)

उन्होंने क्या पाया

यह क्यों महत्वपूर्ण है

तकनीकी सारांश: इवोल्यूशनरी कर्नेल-आधारित टी-स्फेरिक फजी सी-मीन्स क्लस्टरिंग (EKTSFCM)

इसी तरह के और पेपर