Çok Fonksiyonlu Protez El Hareketleri İçin Uzman Sistem Tasarımı

Yıl 2019, Cilt: 9 Sayı: 2, 237 - 243, 01.06.2019

Yalcin Isler Ozlem Isler

https://doi.org/10.7212/zkufbd.v9i2.1368

Öz

Kısmen felçli hastalarda ve el, kol yada bacak kaybına uğramış bireylerde eksik uzuvlarının yerine kullanılmak üzere protez tasarımları bulunmaktadır. Günümüzde mevcut olan protez eller temel birkaç fonksiyonel özellik sunmasına rağmen, gündelik hayatta bir elin sahip olduğu özelliklere kıyasla çok kısıtlı ve yetersizdir. Son zamanlarda EMG sinyalleri insan-makine arabirimleri tasarımlarının vazgeçilmez unsurlarından biri haline gelmiştir. Protezlerin gerçek bir uzuva benzemeleri için EMG sinyallerinin kullanımı bir seçenek olacaktır. Örüntü tanıma tabanlı el kontrol algoritmaları, özürlü kişiler için yapay el üretmek amacı ile kullanılmaktadır. Bu çalışmada; önkol kaslarındaki EMG ElektroMiyoGrafi işaretlerini kullanarak, çok işlevli dört önkol hareketi: el serbest, el sıkılı, kasılma ve gevşeme el kontrolü için dört sınıflandırıcı k-yakın komşuluk, MLP, RBF ve SVM incelenmiştir. Sınıflandırıcıların eğitim ve testinde, EMG işareti tabanlı zaman alanı istatistiksel ölçümler kullanılmıştır. Sonuç olarak, SVM sınıflandırıcısı ile en yüksek sınıflandırıcı başarımı elde edilmiştir

Anahtar Kelimeler

Yüzey EMG, Protez el, Uzman sistemler

Çok Fonksiyonlu Protez El Hareketleri İçin Uzman Sistem Tasarımı

Öz

Kısmen felçli hastalarda ve el, kol yada bacak kaybına uğramış bireylerde eksik uzuvlarının yerine kullanılmak üzere protez tasarımları bulunmaktadır. Günümüzde mevcut olan protez eller temel birkaç fonksiyonel özellik sunmasına rağmen, gündelik hayatta bir elin sahip olduğu özelliklere kıyasla çok kısıtlı ve yetersizdir. Son zamanlarda EMG sinyalleri insan-makine arabirimleri tasarımlarının vazgeçilmez unsurlarından biri haline gelmiştir. Protezlerin gerçek bir uzuva benzemeleri için EMG sinyallerinin kullanımı bir seçenek olacaktır. Örüntü tanıma tabanlı el kontrol algoritmaları, özürlü kişiler için yapay el üretmek amacı ile kullanılmaktadır. Bu çalışmada; önkol kaslarındaki EMG ElektroMiyoGrafi işaretlerini kullanarak, çok işlevli dört önkol hareketi: el serbest, el sıkılı, kasılma ve gevşeme el kontrolü için dört sınıflandırıcı k-yakın komşuluk, MLP, RBF ve SVM incelenmiştir. Sınıflandırıcıların eğitim ve testinde, EMG işareti tabanlı zaman alanı istatistiksel ölçümler kullanılmıştır. Sonuç olarak, SVM sınıflandırıcısı ile en yüksek sınıflandırıcı başarımı elde edilmiştir.

Anahtar Kelimeler

Yüzey EMG, Protez el, Uzman sistemler.

Kaynakça

• Arieta, AH., Katoh, R., Yokoi, H., Wenwei, Y. 2006. Development of Multi-DOF Electromyography Prosthetic System Using the Adaptive Joint Mechanism. Appl. Bionics. Biomech., 3:101-112.
• Basmajian, MD., De Luca, CJ. 1985. Muscles Alive. ed: Williams & Wilkins, Baltimore.
• Boostani, R., Moradi, MH. 2003. “Evaluation of the Forearm EMG signal Features for the Control of a Prosthetic Hand. Physiol. Meas., 4(2):309-319.
• Dechev, N., Cleghorn, WL, Naumann, S. 2001 Multiple Finger, Passive Adaptive Grasp Prosthetic Hand. J. Mech. Mach. Theory, 36:1157-1173.
• Duda, RO., Hart, PE., Stork, DG. 2001. Pattern Classification, John Wiley & Sons Inc., 2001.
• Eberhart, RC., Dobbins, RW. 1990. Neural Network PC Tools, Academic Press, San Diego, 1990.
• Englehart, K., Hudgin, B., Parker, PA. 2001. A Wavelet- Based Continuous Classification Scheme for Multifunction Myoelectric Control. IEEE T. BioMed. Eng., 48(3):302-311.
• Graupe, D., Cline, WK. 1975. Functional Separation of EMG Signals via ARMA Identification Methods for Prosthesis Control Purposes. IEEE Trans. Syst. Man. Cyber., 5(2):252- 259.
• Haihua, L., Xinhao, C., Yaguang, C. 2005. Wavelet Transform and Real-Time Learning Method for Myoelectric Signal in Motion Discrimination. First International Conference on Neural Interface and Control, 127-130.
• Isler, Y. 2017. Çok Fonksiyonlu Protez El Hareketleri İçin Yüzey EMG Sinyali Tabanlı Uzman Sistem Tasarımı. Akıllı Sistemlerde Yenilikler ve Uygulamaları Konferansı (ASYU’2017) Bildiri Özetleri Kitabı, ISBN: 978-605-84722-8-0, 36.
• Kamavuako, EN., Farina, D., Yoshida, K., Jensen, W. 2009. Relationship Between Grasping Force and Features of SingleChannel Intramuscular EMG Signals. J. Neurosci. Methods, 185(1):143-150.
• Kilby, J., Hosseini, HG. 2004. Wavelet Analysis of Surface Electromyography Signals. 26th Annual International Conference of the IEEE EMBS, 1: 384 – 387.
• Matrone, GC., Cipriani, C., Secco, EL., Maganes, G., Carrozza, MC. 2010. Principal Components Analysis Based Control of a Multi-DOF Underactuated Prosthetic Hand. J. Neuroeng. Rehabil., 7(16):1-13.
• M. Zardoshti, M., Wheeler, B., Badie, K., Hashemi, MR. 1995. EMG Feature Evaluation for Movement Control of Upper Extremity Prostheses. IEEE T. Bio-Med Eng., 3(4):324-333.
• Nishikawa, D., Yu, W., Yokoi, H., Kakazu, Y. 2002. On-Line Supervising Mechanism For Learning Data In Surface Electromyogram Motion Classifiers. Sys. Comput. Japan, 33(14): 1-11.
• Raez, MBI., Hussain, MS., Mohd-Yasin, F. 2006. Techniques of EMG Signal Analysis: Detection, Processing, Classification and Applications. Biol. Proced. Online, 8: 11–35
• Scheme, EJ., Englehart, KB., Hudgins, BS., 2011. Selective Classification for Improved Robustness of Myoelectric Control Under Nonideal Conditions. IEEE T. Bio-Med. Eng., 58(6):1698-1705.
• Zhao, Z., Chen, X., Zhang, X., Yang, J., Tu, Y., Lantz, V., Wang, K. 2007. Study on Online Gesture SEMG Recognition. Advanced Intelligent Computing Theories and Applications With Aspects of Theoretical and Methodological Issues, 1257-1265.
• Zheng, L., He, X. 2005. Classification Techniques in Pattern Recognition. WSCG Conference Proceedings, ISBN 80-903100- 8-7, 2005.