Abstract

Rehabilitasyon cihazlarını destekleyen robotik sistemler ve el fonksiyonlarını karşılayan robotik protezlerin de iyileşme arzusu, iskelet cihazlarının geliştirilmesinde büyük rol oynamıştır. Yüzey elektromiyografi (sEMG) sinyallerinin kullanıldığı bu tür cihazlarda protez kontrolünün gerçekleşebilmesi için sinyallerin özelliklerinin bilinmesi ve bu özellikler sayesinde el hareketlerinin sınıflandırılması mümkün hale gelir. Bu çalışmasında Myo TM Armbandı (Akıllı Kol Bant) tarafından elde edilmiş olan, yüzey elektromiyografik sinyallerinin benzer hareketleri ayırt etmede sınıflandırılması amaçlanmaktadır. Bu çalışmada kullandığım 225 katılımcıdan alınan ve benzer el hareketi yapılmış olan açık kaynak EMG veri setini, öncelikle ön işleme adımlarından geçirildikten sonra, özellik çıkarımı adımları gerçekleştirilmiştir. çıkarılan on özellik sınıflandırıcıya girdi olarak verilmiştir. Sınıflandırıcı olarak sırasıyla Karar ağaçları (Decision Trees), Destek vektör makineleri (SVM), Toplu öğrenme (Ensemble learning), yakın K- en komşu algoritmaları (k-NN) denenmiş olup; bu algoritmalar içinde doğruluk başarısı diğer algoritmalara oranla %87.6 olarak en yüksek k- en yakın komşu algoritması ile elde edilmiştir.

References

[1] A. N. Ay and M. Z. Yildiz, “The effect of attentional focusing strategies on emg-based classification,” Biomed. Tech., vol. 66, no. 2, pp. 153–158, 2021, doi: 10.1515/bmt-2020-0082.

[2] H. Wannous, Y. Lucas, and S. Treuillet, “Efficient SVM classifier based on color and texture region features for wound tissue images,” Med. Imaging 2008 Comput. Diagnosis, vol. 6915, p. 69152T, 2008, doi: 10.1117/12.770339.

[3] M. A. Oskoei and H. Hu, “‘Support Vector Machine-Based Classification Scheme for Myoelectric Control Applied to Upper Limb,’ in IEEE Transactions on Biomedical Engineering, vol. 55, no. 8, pp. 1956-1965, Aug. , doi: 10.1109/TBME.2008.919734.,” 2008.

[4] * Neta Rabin a , Maayan Kahlon b , c , Sarit Malayev b , d , Anat Ratnovsky b, “Classification of human hand movements based on EMG signals using nonlinear dimensionality reduction and data fusion techniques,” 2020.

[5] Ahmad, S.A., Chappell, P.H., “Surface EMG Classification Using Moving Approximate Entropy. International Conference on Intelligent and Advanced Systems, pp.1163-1167,” 2007.

[6] R. A. Arief, Z., Sulistijono, I. A., ve Ardiansyah, “‘Comparison of Five Time Series EMG Features myo armband’, International Electronics Symposium, 11–14 (2015).,” 2015.

[7] S. A. Güvenç, “‘Dönen Kol Yüzey Emg Sinyallerinin örüntü Tanima Tabanli Analizi ve Yapay Sinir Ağlari ile Siniflandirilmasi,’” 2014.

[8] B. De la Cruz-S´anchez, M. Arias-Montiel, and E. Lugo-Gonz´alez, “sEMG database of the MYO bracelet for hand gestures. Mendeley Data, 2019.,” 2019, [Online]. Available: https://data.mendeley.com/datasets/rwbs7645hg/1.

[9] Thalmic Lab., “https://developerblog.myo.com/ myoarm resim Thalmics Myo Armband Web Page",” 2020.

[10] A. Jaramillo-Yánez, M. E. Benalcázar, and E. Mena-Maldonado, “Real-time hand gesture recognition using surface electromyography and machine learning: A systematic literature review,” Sensors (Switzerland), vol. 20, no. 9, pp. 1–36, 2020, doi: 10.3390/s20092467.

[11] Küçükyıldız, G., Ocak, H., Şayli, ö., ve Karakaya, S., “‘Engelliler için EMG Tabanlı Kinect Destekli Bir Tekerlekli Sandalyenin Gerçek Zamanlı Kontrolü (Real Time Control of a WheelChair based on EMG and Kinect for the Disabled People)’, Tıp Teknolojileri Ulusal Kongresi (TIPTEKNO) 2015, 424–427 (2015).,” 2015.

[12] C. M. Bishop, “Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.”

[13] D. Bağcı and O. H. Koçal, “Protez-Biyonik El Kontrolü İçin EMG İşaretlerinin Makine öğrenmesi Metodlarıyla Sınıflandırılması,” 2016.

[14] H. T. çerçi, çağrı, “‘Emg İşaretlerinin özniteliklerinin çikarilmasi, Knn Ve Ysa Yöntemleri Ile Siniflandirilmasi,’” 2017.