Avuç açma/kapama hareketine dayalı EMG işaretlerin dalgacık dönüşümü tabanlı sınıflandırılması
Öz
BBu çalışmada, elektromiyogram (EMG) işaretleri kullanılarak avuç açma/kapama hareketinin sınıflandırılması ile birlikte extensör ve flexör tendonların sınıflandırmadaki etkileri araştırılmıştır. Gelişen teknoloji ile birlikte, akıllı protez el ihtiyacı hızla artmaktadır. Bu amaçla ön kolun ön ve arka kısımlarından yüzey elektrotlarla toplam 32 kişiden ölçülen EMG işaretleri zaman frekans teknikleri ile analiz edilerek avuç aç/kapa hareketinin sınıflandırılması farklı sınıflandırıcılar ile gerçekleştirilmiştir. Ayrıca her bir kanaldan ve eş zamanlı elde edilen EMG işaretlerin sınıflandırma üzerindeki başarımları gösterilerek karşılaştırılmıştır.
Kısa süreli Fourier dönüşümünün yetersiz kaldığı EMG gibi durağan olmayan işaretlerin analizi için ayrık dalgacık dönüşümünün (ADD) kullanılması iyi bir çözümdür. ADD ile alt bantlarına ayrıştırılan işaretler yüksek frekanslarda yüksek zaman çözünürlüğü, düşük frekans çözünürlüğü ve düşük frekanslarda yüksek frekans çözünürlüğü, düşük zaman çözünürlüğü sağlar. ADD analizi sonucu öznitelikler elde edilerek bu özellikler farklı sınıflandırıcıların eğitim ve testi için kullanıldı. Bütün veriler 10 kat çapraz doğrulama tekniği ile sınıflandırıcıların hem eğitim hem de test aşamalarında kullanılmıştır. Kullanılan sınıflandırıcılardan en iyi sonuç aşırı öğrenme makineleri (ELM) ile %97.25 olarak elde edildi.
Yapılan bu çalışma ile biyomedikal alanında yükselen teknoloji ile birlikte akıllı protez el yapımının geliştirilmesine katkı sağlanacağı düşünülmektedir.
Anahtar Kelimeler
Kaynakça
- Engin, E.Z., Taşan, D., Engin, M., (2015) Çok İşlevli Protez El Kontrolü İçin Önkol Elektromiyografi İşaretlerinin Sınıflandırılması, Dokuz Eylül Üniversitesi Fen ve Mühendislik Dergisi, vol.17(1), sayı:49, sayfa:35-46.
- Englehart, K., Hudgins, B. and Parker, P. A., (2001) A Wavelet-Based Continuous Classification Scheme for MultifunctionMyoelectric Control, IEEE Trans. Biomed. Eng., vol. 48, pp. 302-311,
- Huang, G.B., Zhu, Q.Y., Siew, C.K., (2006) Extreme learning machine: theory and applications. Neurocomputing, vol.70 (1–3) pp. 489–501.Hudgins, B., Parker, P. A. and Scott, R. N., (1993) A New Strategy for Multifunction Myoelectric Control, IEEE Trnas. Biomed. Eng., vol. 40, pp. 82-94.
- Karlik, B., Tokhi, M. O. and Alci, M., (2003) A Fuzzy Clustering Neural Network Architecture for Multifunction Upper-LimbProstheses, IEEE Trans. Biomed. Eng., vol. 50, pp. 1255-1261.
- Koçyiğit, Y., Korurek, M., (2005) EMG işaretlerini dalgacık dönüşümü ve bulanık mantık sınıflayıcı kullanarak sınıflama, İTÜ Mühendislik Dergisi, vol. 4, no. 3 pp.25-31.
- Liang, N.Y., Saratchandran, P., Huang, G.P., Sundararajan, N., (2006) Classification of mental tasks from EEG signals using extreme learning machine, Int. J. Neural Systems. Vol.16 (1), pp. 29–38.
- Mahdi, K. and Mehran, J., (2007), A novel approach to recognize hand movements via sEMG patterns, Engineering in Medicine and Biology Society, 29th Annual International Conference of the IEEE.
- Mallat, S. (1989), A theory for multiresolution signal decomposition: the wavelet representation, IEEE Pattern Anal. and Machine Intell., vol. 11, no. 7, pp. 674–693.Mitchell, T., (1997) Machine Learning, McGraw–Hill.
Ayrıntılar
Birincil Dil
Türkçe
Konular
-
Bölüm
Araştırma Makalesi
Yazarlar
Yayımlanma Tarihi
20 Haziran 2019
Gönderilme Tarihi
6 Nisan 2018
Kabul Tarihi
30 Nisan 2018
Yayımlandığı Sayı
Yıl 2019 Cilt: 10 Sayı: 2