EMG Sinyalleri Kullanılarak GoogLeNet ve Çok Seviyeli DPD ile El Tutma Hareketlerinin Sınıflandırılması

Yıl 2022, Cilt: 34 Sayı: 1, 33 - 43, 20.03.2022

Muhammed Özküçük Ömer Faruk Alçin , Muhsin Gençoğlu

https://doi.org/10.35234/fumbd.932585

Öz

Öz: Elektromiyografi (EMG) elektriksel aktiviteyi ölçmek için kullanılan bir yöntemdir. Bu yöntem günümüzde hastalık tespitinde kullanılmasıyla yaygınlaşmış olsa da robotik, protez kontrolü, video oyunları gibi popüler alanlarda yer edinmiştir. Bu çalışmada altı temel el hareketinin EMG sinyalleri kullanılarak sınıflandırılması amaçlanmıştır. Bu amaç doğrultusunda transfer öğrenme yaklaşımı kullanılmıştır. EMG sinyalleri çok seviyeli dalgacık paket dönüşümü (DPD) ile zaman-frekans (ZF) görüntülerine çevrilmiştir. Bütün kanallara ait ZF görüntülerinin %80’i birleştirilerek GoogLeNet mimarisini eğitmek için kullanılmıştır. Hareket tanımada başarımı artırmak için GoogLeNet’ten elde edilen öznitelikler Destek Vektör Makinesi (DVM) ile sınıflandırılmıştır. Önerilen yöntem altı temel el hareketini tanımada %98.833 doğruluk oranına sahiptir. Önerilen yöntem aynı veri setini kullanan yöntemler ile karşılaştırılmıştır. Yapılan karşılaştırmalar sonucunda önerilen yöntemin mevcut yöntemlerden %0.8 daha yüksek performans sergilediği görülmüştür. Deneysel çalışmalar önerilen yaklaşımın EMG ile hareket tanımada kullanılabilecek etkin ve verimli bir yöntem olduğunu göstermiştir.

Anahtar Kelimeler

EMG, transfer öğrenme, GoogLeNet, DVM, çok seviyeli DPD.

Kaynakça

• [1] Şenli K. , EMG(Elektromiyografi) kontrollü protez kol tasarımı. (Master Tezi), Dokuz Eylül Üniversitesi Fen Bilimleri Enstitüsü, İzmir, 2011.
• [2] 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.
• [3] 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.
• [4] Sapsanis C, Georgoulas G, Tzes A. EMG based classification of basic hand movements based on time-frequency features. In: 2013 21st Mediterranean Conference on Control & Automation (MED).
• [5] Kakoty NM, Hazarika SM. Recognition of grasp types through principal components of dwt based emg features. In: 2011 IEEE International Conference on Rehabilitation Robotics (ICORR), pp 1–6.
• [6] Nazemi A, Maleki A. Artificial neural network classifier in comparison with LDA and LS-SVM classifiers to recognize 52 hand postures and movements. In: 2014 4th International eConference on Computer and Knowledge Engineering (ICCKE), pp 18–22.
• [7] Nishad A, Upadhyay A, Pachori RB, Acharya UR. Automated classification of hand movements using tunable-Q wavelet transform based filter-bank with surface electromyogram signals. Future Gener Comp Syst 2019; 93:96–110.
• [8] 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.
• [9] 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.
• [10] Babita, P. Kumari, Y. Narayan, and L. Mathew, “Binary movement classification of sEMG signal using linear SVM and Wavelet Packet Transform,” 1st IEEE Int. Conf. Power Electron. Intell. Control Energy Syst. ICPEICES 2016, pp. 30–33, 2017, doi: 10.1109/ICPEICES.2016.7853640.
• [11] 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.
• [12] Sapsanis, C. , Recognition of basic hand movements using Electromyography, Diploma Thesis, University of Patras, Patras, Greece, 2013.
• [13] Szegedy, C. , W. Liu, Y. Q. Jia, P. Sermanet, S. Reed, D. Anguelov, D. Erhan, V. Vanhoucke and A. Rabinovich (2015). "Going Deeper with Convolutions." 2015 Ieee Conference on Computer Vision and Pattern Recognition (Cvpr): 1-9.
• [14] Vapnik VN. An overview of statistical learning theory. IEEE transactions on neural networks 1999; 10(5): 988-999.
• [15] Suthaharan S. Machine Learning Models and Algorithms for Big Data Classification: Thinking with Examples for Effective Learning. Boston, MA: Springer US, 2016.
• [16] Lu, Q. ve Zhu, J. L. Wavelet packet based de-noising algorithm for UWB GPR data. 14th International Conference on Microwave Radar and Wireless Communications;2010; Sf. 1-3.
• [17] Wu, Jian-Da & Liu, Chiu-Hong. An expert system for fault diagnosis in internal combustion engines using wavelet packet transform and neural network. Expert Syst. Appl 2009; 36. 4278-4286.
• [18] R. N. Khushaba, A. Al-Jumaily, and A. Al-Ani, “Novel Feature Extraction Method based on Fuzzy Entropy and Wavelet Packet Transform for Myoelectric Control”, 7th International Symposium on Communications and Information Technologies ISCIT2007, Sydney, Australia, pp. 352 – 357.
• [19] R. N. Khushaba, S. Kodagoa, S. Lal, and G. Dissanayake, “Driver Drowsiness Classification Using Fuzzy Wavelet Packet Based Feature Extraction Algorithm”, IEEE Transaction on Biomedical Engineering, vol. 58, no. 1, pp. 121-131, 2011.
• [20] S. Siuly and Y. Li, “A novel statistical algorithm for multiclass EEG signal classification,” Eng. Appl. Artif. Intell Sep. 2014; vol. 34, pp. 154–167.
• [21] Siuly, X. Yin, S. Hadjiloucas, and Y. Zhang, “Classification of THz pulse signals using two-dimensional cross-correlation feature extraction and non-linear classifiers,” Comput. Methods Programs Biomed Apr. 2016; vol. 127, pp. 64–82,
• [22] 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.
• [23] 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.
• [24] ALÇİN, Ö. F. Fraktal Eğimden Arındırılmış Dalgalılık Analizi ve Pencereli Kare Ortalamanın Karekökü Tabanlı EMG Sınıflandırma. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 32(2), 359-368.
• [25] Aslan, M. (2020). Normal Cumulative Distribution Function and Dispersion Entropy Based EMG Classification. Sakarya University Journal of Computer and Information Sciences, 3(3), 325-333.