Please use this identifier to cite or link to this item: https://hdl.handle.net/11147/10268
Title: Değişken kuvvetli EMG sinyallerinin çok değişkenli görgül kip ayrışımı ile analizi ve sınıflandırılması
Other Titles: Analysis and classification of variational force EMG signals with multivariate empirical mode decomposition
Authors: Onay, Fatih
Mert, Ahmet
Publisher: Marmara Üniversitesi
Abstract: Elektromiyografi (EMG) sinyalleri, insan-makine etkileşimli akıllı el protezlerinin kontrolünde önemli bir rol oynamaktadır. Kas aktivesinin bir sonucu olarak ortaya çıkan EMG sinyalleri, yapılan aktiviteye dair özel bilgileri kendi içerisinde ihtiva etmektedir. Dolayısıyla akıllı el protezlerinin işlevselliğinin arttırılması, kas bölgesinden toplanan EMG sinyalinin doğru bir şekilde analiz edilip yorumlanmasına önemli ölçüde bağlıdır. Bu konsepte uygun olarak, akıllı el protezi hareketlerinin karar verme sürecinde, EMG sinyallerinin güvenilir bir şekilde kullanılabilmesi için, var olan yöntemlerin geliştirilmesi ya da bu yöntemlere üstünlük sağlayacak yeni yöntemler önerilmesi gerekmektedir. Bu çalışma kapsamında, çok kanallı EMG sinyallerinin analizinin geliştirilmesi amacıyla, çok değişkenli görgül kip ayrışımı (ÇDGKA) tabanlı öznitelik çıkarma yöntemi, geleneksel metotlara alternatif olarak sunulmuştur. Sinyali adaptif olarak salınım modlarına ayıran ÇDGKA yöntemi kullanılarak, EMG sinyalinden daha anlamlı bilgi edinilmesi amaçlanmıştır. ÇDGKA tabanlı özniteliklerin farklı el ve parmak hareketlerini ayırt etme performansı ve farklı kuvvet seviyelerine karşı gösterdiği performans incelenmiştir. Bu amaçla ampute katılımcıların artık uzuvlarından toplanan düşük, orta ve yüksek kuvvet seviyelerine ait EMG sinyalleri üzerinde ÇDGKA yöntemi uygulanarak özgül kip fonksiyonları (ÖKF) elde edilmiştir. Elde edilen ÖKF’lerden çıkarılan öznitelikler kullanılarak altı farklı el ve parmak hareketi, en yakın komşu (k-NN), doğrusal ayrım analizi (LDA) ve destek vektör makinesi (SVM) sınıflandırıcıları kullanılarak sınıflandırılmıştır. Aynı kuvvet seviyesinde eğitilip test edilerek (Senaryo 1) ve tüm kuvvet seviyelerinde eğitilip tek bir kuvvet seviyesinde test edilerek (Senaryo 2) gerçekleştirilen sınıflandırmalar neticesinde, önerilen ÇDGKA tabanlı özniteliklerin ham sinyal tabanlı özniteliklere göre, senaryo 1 için %10 - %15, senaryo 2 için %18’e kadar üstünlük sağladığı belirlenmiştir.
Electromyography (EMG) signals play an important role in the control of human-machine interfaced smart hand prostheses. The EMG signals emerged as a result of muscle activity contain specific information about the activity. Therefore, enhancing the functionality of intelligent hand prostheses significantly depends on the precise analysis and interpretation of the EMG signals that are collected from the muscle region. In accordance with this concept, in order to use EMG signals reliably in the decision-making process of smart hand prosthesis movements, it is necessary to improve present methods or to propose new methods to be superior to these methods. In this study, multivariate empirical decomposition (MEMD) based feature extraction method is presented as an alternative to traditional methods to improve the analysis of multichannel EMG signals. It is aimed to obtain more meaningful information from EMG signals by using the MEMD method which separates the signal into adaptive oscillation modes. The performance of discriminating hand and finger movements at different force levels of the MEMD based features was investigated. For this purpose, intrinsic mode functions (IMF) were obtained by using the MEMD method on surface EMG signals of low, medium and high force levels collected from the amputated participants. The features which are extracted from IMFs, classified by k nearest neighbors (k-NN), linear discriminant analysis (LDA) and support vector machines (SVM) to discriminate six hand and finger movements. Training and testing at same force level (Scheme 1) and training the classifier with all levels of force and testing it with a single level of force (Scheme 2) classification operations were performed. The proposed MEMD based features have outperformed raw signal-based features, 10% -15% for Scheme 1 and up to 18% for Scheme 2.
URI: https://doi.org/10.7240/jeps.618193
https://hdl.handle.net/11147/10268
https://search.trdizin.gov.tr/yayin/detay/373101
ISSN: 2146-5150
2636-8277
Appears in Collections:Electrical - Electronic Engineering / Elektrik - Elektronik Mühendisliği
TR Dizin İndeksli Yayınlar / TR Dizin Indexed Publications Collection

Files in This Item:
File SizeFormat 
201f5ac8-7006-411b-85ba.pdf3.24 MBAdobe PDFView/Open
Show full item record



CORE Recommender

Page view(s)

6,644
checked on Jun 10, 2024

Download(s)

180
checked on Jun 10, 2024

Google ScholarTM

Check




Altmetric


Items in GCRIS Repository are protected by copyright, with all rights reserved, unless otherwise indicated.