Dokunsal Sensör Sinyalleri ile Yüzey Dokularının Sınıflandırılması

Abstract

Dokunsal algılama, robotik ve protez teknolojilerinde çevresel etkileşimleri hassas bir şekilde yönetmek için kritik bir role sahiptirler. Bu alandaki önemli araştırma konularından biri yüzey tanımlamadır. Yüzeylerin doku özelliklerini anlamak amacıyla insan doku tanıma sistemleri yapay parmak yapıları kullanılarak modellenir. Bu modellemede, yüzeylere içsel ölçüm birimleri yerleştirilir ve bu birimler yüzeyde titreşim oluşturarak çeşitli elektriksel sinyaller toplar. Toplanan sinyaller, sinyal işleme ve örüntü tanıma teknikleri ile analiz edilip sınıflandırılır. Bu çalışmada, titreşimli dokunsal uyarıcı bir gömülü sistemden elde edilen 12 farklı dokuya ait sinyaller sınıflandırılması amaçlanmıştır. Deneysel çalışmalarda öznitelik çıkarımı için %50 oranında örtüşen kayan pencere yaklaşımı ile her bir pencerenin istatiksel (ortalama, medyan) ve spektral (düzleklik, merkez) değerler dizisi kullanılmıştır. Daha sonra bu öznitelikler dizisi doku sınıflandırılması için Destek Vektör Makinesi (DVM) ve k- En Yakın Komşu (k-EYK) sınıflandırıcılara girdi olarak uygulanmıştır. Deneysel sonuçlar DVM ve k-EYK sınıflandırıcı modellerinde sırasıyla %94,79 ve %95,83 sınıflandırma doğruluğu elde edilmiştir. Mevcut çalışmalar ile kıyaslandığında doğruluk açısından %4,69 daha yüksek performans elde edilmiştir

Keywords

• Dokunsal sensör
• Sinyal işleme
• Doku sınıflandırama

References

1. Alves de Oliveira, Thiago, Ana-Maria Cretu, and Emil Petriu. 2017. “Multimodal Bio-Inspired Tactile Sensing Module for Surface Characterization.” Sensors 17(6): 1187. doi:10.3390/s17061187.
2. Aslan, Muzaffer, and Ebra Nur Zurel. 2022. “An Efficient Hybrid Model for Appliances Classification Based on Time Series Features.” Energy and Buildings 266: 112087. doi:10.1016/j.enbuild.2022.112087.
3. Boashash, Boualem, Nabeel Ali Khan, and Taoufik Ben-Jabeur. 2015. “Time–Frequency Features for Pattern Recognition Using High-Resolution TFDs: A Tutorial Review.” Digital Signal Processing 40: 1–30. doi:10.1016/j.dsp.2014.12.015.
4. Chi, Cheng, Xuguang Sun, Ning Xue, Tong Li, and Chang Liu. 2018. “Recent Progress in Technologies for Tactile Sensors.” Sensors 18(4): 948. doi:10.3390/s18040948.
5. Fishel, Jeremy A., and Gerald E. Loeb. 2012. “Bayesian Exploration for Intelligent Identification of Textures.” Frontiers in Neurorobotics 6. doi:10.3389/fnbot.2012.00004.
6. Gupta, Ashutosh Kumar, Sunny Chakroborty, Swarup Kumar Ghosh, and Subhas Ganguly. 2023. “A Machine Learning Model for Multi-Class Classification of Quenched and Partitioned Steel Microstructure Type by the k-Nearest Neighbor Algorithm.” Computational Materials Science 228: 112321. doi:10.1016/j.commatsci.2023.112321.
7. Hassan, Ahnaf Rashik, Syed Khairul Bashar, and Mohammed Imamul Hassan Bhuiyan. 2015. “On the Classification of Sleep States by Means of Statistical and Spectral Features from Single Channel Electroencephalogram.” In 2015 International Conference on Advances in Computing, Communications and Informatics (ICACCI), IEEE, 2238–43. doi:10.1109/ICACCI.2015.7275950.
8. Hassan, Ahnaf Rashik, and Md. Aynal Haque. 2016. “Computer-Aided Obstructive Sleep Apnea Screening from Single-Lead Electrocardiogram Using Statistical and Spectral Features and Bootstrap Aggregating.” Biocybernetics and Biomedical Engineering 36(1): 256–66. doi:10.1016/j.bbe.2015.11.003.

9. Kaboli, Mohsen, and Gordon Cheng. 2018. “Robust Tactile Descriptors for Discriminating Objects From Textural Properties via Artificial Robotic Skin.” IEEE Transactions on Robotics 34(4): 985–1003. doi:10.1109/TRO.2018.2830364.
10. Kulkarni, N. N., and V. K. Bairagi. 2017. “Extracting Salient Features for EEG-Based Diagnosis of Alzheimer’s Disease Using Support Vector Machine Classifier.” IETE Journal of Research 63(1): 11–22. doi:10.1080/03772063.2016.1241164.
11. Kursun, Olcay, and Ahmad Patooghy. 2020. “Journal of Computer Science.” IEEE Access 8: 97462–73. doi:10.1109/ACCESS.2020.2996576.
12. Löfhede, Johan, Magnus Thordstein, Nils Löfgren, Anders Flisberg, Manuel Rosa-Zurera, Ingemar Kjellmer, and Kaj Lindecrantz. 2010. “Automatic Classification of Background EEG Activity in Healthy and Sick Neonates.” Journal of Neural Engineering 7(1): 016007. doi:10.1088/1741-2560/7/1/016007.
13. Lora-Rivera, Raúl, Óscar Oballe-Peinado, and Fernando Vidal-Verdú. 2023. “Texture Detection With Feature Extraction on Embedded FPGA.” IEEE Sensors Journal 23(11): 12093–104. doi:10.1109/JSEN.2023.3268794.
14. Lyu, Chengang, Bo Yang, Jiachen Tian, Jie Jin, Chunfeng Ge, and Jiachen Yang. 2022. “Three-Fingers FBG Tactile Sensing System Based on Squeeze-and-Excitation LSTM for Object Classification.” IEEE Transactions on Instrumentation and Measurement 71: 1–11. doi:10.1109/TIM.2022.3181290.
15. De Oliveira, Thiago Eustaquio Alves, Ana Maria Cretu, Vinicius Prado Da Fonseca, and Emil M. Petriu. 2015. “Touch Sensing for Humanoid Robots.” IEEE Instrumentation and Measurement Magazine 18(5): 13–19. doi:10.1109/MIM.2015.7271221.
16. Peng, Yiyao, Ning Yang, Qian Xu, Yang Dai, and Zhiqiang Wang. 2021. “Recent Advances in Flexible Tactile Sensors for Intelligent Systems.” Sensors 21(16): 5392. doi:10.3390/s21165392.
17. Rocha Lima, Bruno Monteiro, Thiago Eustaquio Alves de Oliveira, and Vinicius Prado da Fonseca. 2021. “Classification of Textures Using a Tactile-Enabled Finger in Dynamic Exploration Tasks.” In 2021 IEEE Sensors, IEEE, 1–4. doi:10.1109/SENSORS47087.2021.9639755.
18. Rocha Lima, Bruno Monteiro, Vinicius Prado da Fonseca, Thiago Eustaquio Alves de Oliveira, Qi Zhu, and Emil M. Petriu. 2020. “Dynamic Tactile Exploration for Texture Classification Using a Miniaturized Multi-Modal Tactile Sensor and Machine Learning.” SYSCON 2020 - 14th Annual IEEE International Systems Conference, Proceedings. doi:10.1109/SysCon47679.2020.9275871.
19. Sinapov, J, V Sukhoy, R Sahai, and A Stoytchev. 2011. “Vibrotactile Recognition and Categorization of Surfaces by a Humanoid Robot.” IEEE Transactions on Robotics 27(3): 488–97. doi:10.1109/TRO.2011.2127130.
20. Siuly, Siuly, Omer F. Alcin, Varun Bajaj, Abdulkadir Sengur, and Yanchun Zhang. 2019. “Exploring Hermite Transformation in Brain Signal Analysis for the Detection of Epileptic Seizure.” IET Science, Measurement & Technology 13(1): 35–41. doi:10.1049/iet-smt.2018.5358.
21. Vapnik, Vladimir N. 1999. “An Overview of Statistical Learning Theory.” IEEE Transactions on Neural Networks 10(5): 988–99. doi:10.1109/72.788640