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.
EMG fraktal eğimden arındırılmış dalgalılık analizi pencereli kare ortalamalarının karekökü DVM
Birincil Dil | Türkçe |
---|---|
Konular | Mühendislik |
Bölüm | MBD |
Yazarlar | |
Yayımlanma Tarihi | 24 Eylül 2020 |
Gönderilme Tarihi | 18 Temmuz 2020 |
Yayımlandığı Sayı | Yıl 2020 Cilt: 32 Sayı: 2 |