EMG SINYALLERININ ANLAMLANDIRILMASI ICIN RADYAL FONKSIYONLU YAPAY SINIR AĞI TASARIMI

Year 2018, Volume: 10 Issue: 2, 153 - 159, 29.06.2018

Beyda Taşar

https://doi.org/10.29137/umagd.410793

Abstract

Son yıllarda, insan ve protez cihazlar arasındaki
bilişsel etkileşim oldukça popüler araştırma alanlarından biridir.
Elektromiyografi (EMG) yöntemi, hareket örüntülerin (pattern) anlamlandırılması
için oldukça etkili bir yöntemdir. Kasların nöromasküler aktivitesi hakkında
bilgiler taşıyan EMG sinyallerinin, kişilerin hareket isteğinin algılanmasında
kullanımı etkin sonuçlar vermektedir. Bu makale kapsamında yüzey
elektromiyografi yöntemi ile  kişilerin ltı
adet el hareket örüntülerinin anlamlandırılması işlemi gerçekleştirilmiştir. Her
bir parmak aktivitesini ayrı ayrı ifade edecek şekilde biyoelektrik sinyaller
dört kanallı EMG sensör vasıtası ile kaydedilmiştir. Kaydedilen biyoelektrik
sinyaller bir dizi ön işleme tabi tutulmuş ve sinyallerin seçilen zaman domeni
öznitelikleri hesaplanmıştır. EMG özelliklerinin sınıflandırılması için Radyal
Fonksiyonlu Yapay Sinir Ağı (RFYSA) ve İleri Yayılımlı Yapay Sinir Ağı (İYSA)
algoritmaları kullanılmış ve sırası ile % 94.81, %94.05 başarı elde edilmiştir.
Çalışmaya ait sonuçlar literatürde yer alan çalışmalar ile karşılaştırmalı
olarak yorumlanmıştır. 

Keywords

elektromiyografi, el hareketlerinin anlamlandırılması, radyal fonksiyonlu yapay sinir ağı, RFYSA

RADIAL FUNCTIONAL NEURAL NETWORK DESIGN FOR RECOGNITION of EMG SIGNALS

Abstract

In recent
years, the cognitive interaction between human and prosthetic devices is one of
the most popular research areas. Electromyography (EMG) method is a very
effective method for rocognition of motion patterns. EMG signals, which have
information about the neuromuscular activity of the muscles, are very common in
perceiving people's motion desire. In this article, the recognition of the hand
patterns of the people was realized by the surface lectromyography method. The
bioelectric signals were recorded with four-channel EMG sensor, which expresses
each finger activity separately. The recorded bioelectrical signals were
pre-processed and then the selected time domain attributes of the signals were
calculated. Radial Functional Neural Network (RFNN) and Feed Forward Neural
Network (FFNN) algorithms were used to classify the EMG features and 94.81% and
94.05% success rate respectively. The results of the study are interpreted
comparatively with the studies in the literature.

Keywords

electromiyagraphy, motion recognition, radial function neural network, RFNN

References

• Reference 1: Muhammet AYDIN, Firat Unıversitesi MAkina Mühendisliği Bölümü [e-mail]