Avuç açma/kapama hareketine dayalı EMG işaretlerin dalgacık dönüşümü tabanlı sınıflandırılması

Yıl 2019, Cilt: 10 Sayı: 2, 447 - 456, 20.06.2019

Necmettin Sezgin

https://doi.org/10.24012/dumf.413228

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

EMG, Ayrık dalgacık dönüşümü, Aşırı öğrenme makinesi, , Sınıflandırma

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.
• Oskoei, M. A. and Hu, H., (2007) Myoelectric control systems - a survey, Elselvier - Biomedical Signal Processing and Control, vol. 2, no. 4, pp. 275-294.
• Rao, C.R., Mitra, S.K., (1971) Generalized Inverse of Matrices and its Applications, Wiley, New York.
• Rong, H.J., Ong, Y.S., Tan, A.H., Zhu, Z., (2008) A fast pruned-extreme learning machine for classification problem. Neurocomputing, vol.72, pp.359–366.
• Serre, D., (2002) Matrices: Theory and Applications, Springer, New York.
• Sezgin, N., Ertuğrul, Ö.F., Tekin, R., Tağluk, M.E., (2017) Classification of hand opening/closing and fingers by using two channel surface EMG signal, International Artificial Intelligence and Data Processing Symposium (IDAP), 16-17 Sept., Malatya, Turkey.
• Zeghbib, A., Palis, F., Ben-Ouezdou, F., (2005) EMG-based Finger Movement Classification Using Transparent Fuzzy System, EUSFLAT-LFA, pp.816-821.
• Zhizeng, L., Xiaoliang, R., Yutao Z., (2004) Multi-pattern recognition of the forearm movement based on SEMG, International Conference on Information Acquisition, IEEE.