Fraktal Eğimden Arındırılmış Dalgalılık Analizi ve Pencereli Kare Ortalamanın Karekökü Tabanlı EMG Sınıflandırma

Yıl 2020, , 359 - 368, 24.09.2020

Ömer Faruk Alçin

https://doi.org/10.35234/fumbd.771205

Cited By: 2

Öz

Elektromiyografik (EMG) kas aktivitesini ölçmek için kullanılan faydalı bir tekniktir. EMG sinyalleri çoğunlukla protez, fiziksel rehabilitasyon, Nöromusküler bozuklukların teşhisi ve beyin-bilgisayar arayüzü gibi medikal uygulamalara yardımcı karar destek sistemlerinde kullanılır. Bu çalışmada EMG sinyallerini sınıflamak için kullanışlı bir yaklaşım önerilmiştir. Önerilen yöntemde, özellik çıkarma yöntemi olarak Fraktal Eğimden Arındırılmış Dalgalanma Analizi (F-EADA) ve örtüşmeyen pencereli Kök Ortalama Karesi (p-KOK) kullanılmıştır. F-EADA yöntemi korelasyon ve istatistiksel benzerliği ölçmek için kullanılan bir yöntemdir. KOK istatistiksel bir ölçüdür ve EMG tanıma sistemlerinde ayırt edici bir parametre olabilmektedir. p-KOK yaklaşımı geleneksel KOK yönteminden daha yeteneklidir ve bu ayırt edici yetenek deneysel sonuçlarla gösterilmiştir. Çıkarılan EMG öznitelikleri, Destek Vektör Makinesi (DVM), k-En Yakın Komşu (kEYK), Karar Ağacı (KA) ve Doğrusal Diskriminant Analizi (DDA) yöntemleri ile sınıflandırılmıştır. DVM Sınıflandırıcı bu yöntemler arasında en iyi performansa sahiptir. Önerilen yöntem, altı farklı nesne tutma eylemini içeren EMG veri seti ile test edilmiştir. Deneysel çalışmalar, önerilen yöntemin %96.83 doğruluk ile EMG veri setini sınıflamak için uygun olduğunu göstermiştir. Ayrıca, önerilen yöntem aynı veri setini kullanan diğer yöntemlerle karşılaştırıldığında daha iyi performansa sahiptir.

Anahtar Kelimeler

EMG, fraktal eğimden arındırılmış dalgalılık analizi, pencereli kare ortalamalarının karekökü, DVM

Kaynakça

• Tuncer T, Sengul D, Subasi A. Surface EMG signal classification using ternary pattern and discrete wavelet transform based feature extraction for hand movement recognition. Biomedical Signal Processing and Control 2020; 58: 101872.
• Subasi A, Yaman E, Somaily Y, Alynabawi H A, Alobaidi F, Altheibani S. Automated EMG signal classification for diagnosis of neuromuscular disorders using DWT and bagging. Procedia Computer Science 2018; 140: 230-237.
• Gokgoz, E, Subasi A. Comparison of decision tree algorithms for EMG signal classification using DWT. Biomedical Signal Processing and Control 2015; 18: 138-144.
• Benazzouz A, Guilal R, Amirouche F, Slimane, Z E H. EMG Feature Selection for Diagnosis of Neuromuscular Disorders. 2019 International Conference on Networking and Advanced Systems (ICNAS); 26-27 June 2019; Annaba, Algeria: IEEE. pp. 1-5.
• Belkhou A, Achmamad A, Jbari A. Classification and Diagnosis of Myopathy EMG Signals Using the Continuous Wavelet Transform. 2019 Scientific Meeting on Electrical-Electronics & Biomedical Engineering and Computer Science (EBBT); 24-26 April 2019; Istanbul, Turkey: IEEE. pp. 1-4.
• Anil N, Sreeletha SH. EMG Based Gesture Recognition Using Machine Learning. 2018 Second International Conference on Intelligent Computing and Control Systems (ICICCS); 14-15 June 2018; Madurai, India: IEEE. pp. 1560-1564.
• Arozi M, Putri, FT, Ariyanto M, Caesarendra W, Widyotriatmo A, Setiawan, JD. Electromyography (EMG) signal recognition using combined discrete wavelet transform based on artificial neural network (ANN). 2016 2nd International Conference of Industrial, Mechanical, Electrical, and Chemical Engineering (ICIMECE); 6-7 Oct. 2016; Yogyakarta, Indonesia: IEEE. pp. 95-99.
• Mane SM, Kambli RA, Kazi FS, Singh, NM. Hand motion recognition from single channel surface EMG using wavelet & artificial neural network. Procedia Computer Science 2015; 49: 58-65.
• Duan F, Dai L, Chang W, Chen Z, Zhu C, Li W. sEMG-based identification of hand motion commands using wavelet neural network combined with discrete wavelet transform. IEEE Transactions on Industrial Electronics 2015; 63(3): 1923-1934.
• Duque CJG, Muñoz, LD, Mejía JG, Trejos ED. Discrete wavelet transform and k-nn classification in EMG signals for diagnosis of neuromuscular disorders. 2014 XIX Symposium on Image, Signal Processing and Artificial Vision; 17-19 Sept. 2014; Armenia, Colombia: IEEE. pp. 1-5.
• Sapsanis, C., Recognition of basic hand movements using Electromyography, Diploma Thesis, University of Patras, Patras, Greece, 2013
• Sapsanis C, Georgoulas G, Tzes A, Lymberopoulos D. Improving EMG based classification of basic hand movements using EMD, 35th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC); 3-7 July 2013; Osaka, Japan: IEEE. pp. 5754-5757.
• Arı A, Ayaz F, Hanbay D. EMG Sinyallerinin Kısa Zamanlı Fourier Dönüşüm Özellikleri Kullanılarak Yapay Sinir Ağları ile Sınıflandırılması. Fırat Üniversitesi Mühendislik Bilimleri Dergisi 2019; 31(2): 443-451.
• Arı, A, Arı B, Alçin ÖF. Elektromiyografi Sinyallerinin Permütasyon Entropi ve Bir Boyutlu Yerel İkili Özellikler Kullanılarak Sınıflandırılması. İzmir Tepecik Eğitim ve Araştırma Hastanesi Dergisi 2020; 30: 46-49.
• Peng CK, Buldyrev SV, Havlin S, Simons M, Stanley HE, Goldberger AL. Mosaic Organization of DNA Nucleotides. Physical Review E 1994; 49(2): 1685.
• Castiglioni P, Andrea F. A fast DFA algorithm for multifractal multiscale analysis of physiological time series. Frontiers in physiology 2019; 10: 115.
• Bursa N, Tatlıdil H. Investigation of credit default swaps using detrended fluctuation analysis which is an Econophysical technique. Eurasian Eononom Stat Empr Econ J 2015; 2: 25-33.
• Qian XY, Gu GF, Zhou WX. Modified detrended fluctuation analysis based on empirical mode decomposition for the characterization of anti-persistent processes. Physica A: Statistical Mechanics and its Applications 2011; 390(23-24): 4388-4395.
• Ulkır O, Gokhan G, Kaplanoglu E. EMG signal classification using fuzzy logic. Balkan Journal of Electrical and Computer Engineering 2017; 5(2): 97-101.
• Yu S, Li X, Zhang X, Wang H. The OCS-SVM: An Objective-Cost-Sensitive SVM With Sample-Based Misclassification Cost Invariance. IEEE Access 2019; 7: 118931-118942.
• Vapnik VN. An overview of statistical learning theory. IEEE transactions on neural networks 1999; 10(5): 988-999. Aslan M, Akbulut Y, Şengür A, İnce MC. Eklem tabanlı etkili düşme tespiti. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 2017; 32(4): 1025-1034.
• Wu X, Zuo W, Lin, L, Jia W, Zhang D. F-SVM: Combination of feature transformation and SVM learning via convex relaxation. IEEE transactions on neural networks and learning systems, 2018; 29(11): 5185-5199.
• Nguyen H, Demir B, Dalponte M. Weighted Support Vector Machines for Tree Species Classification Using Lidar Data. In IGARSS 2019-2019 IEEE International Geoscience and Remote Sensing Symposium: 28 July-2 Aug. 2019; Yokohama, Japan: IEEE. pp. 6740-6743.