EMG SİNYALLERİ İÇİN HİBRİD ÖZNİTELİK ÇIKARMA YÖNTEMİ GELİŞTİRİLMESİ

Öz

   Bu çalışmada EMG sinyalleri kullanılarak 14 farklı parmak hareketi önerilen yeni bir öznitelik çıkarma yöntemiyle sınıflandırılmıştır. EMG sinyallerinden parmak hareketlerinin tespiti / sınıflandırılması, ön işleme, özellik çıkarma ve sınıflandırma adımlarını içeren 3 ana adımdan oluşur. EMG sinyallerinin sınıflandırılmasında, sınıflandırıcının performansı doğrudan öznitelik çıkarma yöntemine bağlıdır. Bu sebeple öznitelik çıkarma yöntemi uygun bir biçimde seçilmelidir. Literatürde zaman, histogram ve frekans tabanlı birçok öznitelik çıkarma yöntemi vardır. Ancak bu yöntemler yüksek zaman karmaşıklığı, çok fazla işleme ihtiyaç duyma, fazla sayıda kontrol parametresi bulundurma, vb. birçok dezavantaja sahiptir. Bu çalışmada EMG sinyallerinden çeşitli parmak hareketlerinin sınıflandırılması amacıyla sayılan dezavantajları ortadan kaldırmak için yeni bir öznitelik çıkarma yöntemi sunulmuştur. Bu yöntem iki zaman tabanlı öznitelik çıkarma yönteminin hibritleştirilmesiyle elde edilmiştir. 10 kat çapraz doğrulamayla elde edilen deneysel sonuçlarına göre, önerilen yöntemin %97,48 doğruluk oranıyla bu çalışmada kullanılan diğer 9 öznitelik çıkarma yöntemlerinden daha iyi olduğu deneysel olarak gösterilmiştir. Deneysel sonuçlar istatistiksel yöntemlerle desteklenmiştir.

Anahtar Kelimeler

• elektromiyografi,öznitelik çıkarma,sınıflandırma,parmak hareketleri

IMPROVEMENT OF THE HYBRID FEATURE EXTRACTION METHOD FOR EMG SIGNALS

Öz

   This study aims to discuss classification of 14 different finger movements from EMG signals by using new feature extraction technique. The detection/classification of finger movements consists of 3 main steps including, preprocessing, feature extraction and classification steps. In classification of EMG signals, the performance of the classifier directly depends on feature extraction methods, including, time, histogram and frequency-based methods. However, these feature extraction methods have several drawbacks including, high time complexity, high computation demand, user supplied parameters, etc. In this paper, a new feature extraction method has been proposed for the classification of finger movements from EMG signals to overcome these problems. The proposed method based on hybridization of 2-time domain feature extraction techniques. The use of this method resulted in an accuracy of 97.48% after 10-fold-cross-validation. The experimental results supported with statistical analysis show that proposed method is better than 9 feature extraction methods investigated in this paper

Anahtar Kelimeler

• electromyography,feature extraction,classification,finger movements

Kaynakça

1. ZHANG, X., CHEN, X., LI, Y., LANTZ, V., WANG, K., YANG, J., “A Framework for Hand Gesture Recognition Based on Accelerometer and EMG Sensors” IEEE Transactions on Systems, Man, and Cybernetics-Part A: Systems and Humans, 41, 1064-1076, 2011
2. [SAPSANIS, C., GEORGOULAS, G., TZES, A. “EMG Based Classification of Basic Hand Movements Based on Time-Frequency Features”, 21. Mediterranean Conference on Control and Automation, 716-722, 2013.
3. [BAŞTÜRK, A., YÜKSEL, M. E., CALISKAN, A., BADEM, H., “Deep Neural Network Classifier for Hand Movement Prediction”, 25. Signal Processing and Communications Applications Conference (SIU), 1-4.,2017
4. TENORE, F.V., RAMOS, A., FAHMY, A., ACHARYA, S., ETIENNE-CUMMINGS, R., THAKOR, N. V., “Decoding of Individuated Finger Movements Using Surface Electromyography”, IEEE Transactions on Biomedical Engineering”, 56, 1427-1434, 2009.
5. KHUSHABA, R. N., KODAGODA, S., LİU, D., DİSSANAYAKE, G., “Muscle Computer Interfaces for Driver Distraction Reduction”. Computer Methods and Programs in Biomedicine”, 110, 137-149, 2013.
6. PHINYOMARK, A., N KHUSHABA, R., SCHEME, E., “Feature Extraction and Selection for Myoelectric Control Based on Wearable EMG Sensors”, Sensors, 18, 1615-1632, 2018.
7. CHAN, F. H., YANG, Y. S., LAM, F. K., ZHANG, Y. T., PARKER, P. A., “Fuzzy EMG Classification for Prosthesis Control”, IEEE Transactions on Rehabilitation Engineering, 8, 305-311, 2000.
8. REAZ, M. B. I., HUSSAIN, M. S., MOHD-YASIN, F., “Techniques of EMG Signal Analysis: Detection, Processing, Classification And Applications”, Biological Procedures Online, 8, 11, 2006

9. PHİNYOMARK, A., PHUKPATTARANONT, P., LIMSAKUL, C., “Feature Reduction and Selection for EMG Signal Classification”, Expert Systems with Applications,39, 7420-7431, 2012
10. BAŞTÜRK, A.., BAŞTÜRK, N. S., QURBANOV, O. , “A Comparative Performance Analysis Of Various Classifiers For Fingerprint Recognition”, Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi,, 7(2), 504-513, 2018.
11. CALISKAN A.,, BADEM H., BASTURK A., YUKSEL M. E., “Diagnosis Of The Parkinson Disease By Using Deep Neural Network Classifier.” Istanbul University-Journal of Electrical & Electronics Engineering, 17(2), 3311-3319, 2017.
12. https://www.rami-khushaba.com/electromyogram-emg-repository.html (erişim tarihi 21.03.2019)
13. COVER T. HART P., “Nearest Neighbor Pattern Classification.,” IEEE Transactions On Information Theory, 13(1), 21-27, 1967.
14. HOSSIN M., SULAIMAN N., “A Review On Evaluation Metrics For Data Classification Evaluations.,” International Journal of Data Mining & Knowledge Management Process,, 5(2), 2015.