EMG işaretlerinin modern yöntemlerle önişlenmesi ve sınıflandırılması
Pre-processing and classification of EMG signals by using modern method
- Tez No: 216254
- Danışmanlar: PROF.DR. ETEM KÖKLÜKAYA, Y.DOÇ.DR. ABDÜLHAMİT SUBAŞI
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Biyomühendislik, Elektrik ve Elektronik Mühendisliği, Computer Engineering and Computer Science and Control, Bioengineering, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2007
- Dil: Türkçe
- Üniversite: Sakarya Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 111
Özet
Bu çalışmada, intromasküler (kas içi) elektromiyografik işaretlere ait motor ünite aksiyon potansiyellerinin (MUAP) spektral analiz yöntemleri ile önişlenmesi ve desen sınıflandırması yapılmıştır. Sunulan metot otomatik olarak MUAP şablon kümelerinin sayısını bulmakta ve bunları normal, nörojenik veya miyopatik olarak sınıflandırmaktadır. EMG işaretlerinden öznitelik vektörü (feature vector) çıkartmak için farklı AR parametrik metotları ve alternatif olarak işaretin belirleyici özellikleri kullanılmıştır. Bu yaklaşım, 7'si normal, 7'si miyopatik ve 13'ü de nörojenik rahatsızlığı olan deneklerden elde edilen 1200 MUAP'lık EMG kayıtlarının bir veritabanında değerlendirilmesiyle sağlanmıştır. MUAP gruplarının doğru tanınması oranı normal, miyopatik ve nöropatik için sırasıyla %97, 90 ve 87 ve alternatif yöntemde % 97, 89 ve 90 dır. Eklenen MUAP'ların yaklaşık yüzde doksanı doğru olarak tanımlanmıştır. MUAP sınıflandırması için elde edilen doğruluk oranı, Bileşik Sinir Ağları (CNN) için %92'dir. Sunulan metot, çok hızlı EMG ayrışımları sağlamasa da, işlenmemiş EMG işaretlerinden nöropatik, miyopatik veya normal sınıflara otomatik MUAP adreslemesini yapabilmektedir. Çalışmada benzer bir sınıflandırma FEBANN ile de yapılmıştır. Elde edilen sonuçlar, bu çalışma için, CNN'in doğruluk oranlarının FEBANN'a göre daha yüksek olduğunu göstermektedir.
Özet (Çeviri)
motor unit action potentials (MUAPs) from intramuscular electromyographic signals. The proposed method automatically detects the number of template MUAP clusters and classifies them into normal, neuropathic or myopathic. To extract a feature vector from the EMG signal, we use different AR parametric methods and features of signals. The approach has been validated using a dataset of EMG recordings composed of 1200 MUAPs obtained from 7 normal subjects, 7 subjects suffering from myopathy, and 13 subjects suffering from neurogenic disease. The correct identification rate for MUAP clustering is 97, 90 and 87% for normal, myopathic and neuropathic, respectively. Almost ninety percent of the superimposed MUAPs were correctly identified. The obtained accuracy for MUAP classification is about 92% for combined neural network. The proposed method, apart from efficient EMG decomposition addresses automatic MUAP classification to neuropathic, myopathic or normal classes directly from raw EMG signals. A similar classification was also made with FEBANN in the study. Obtained results show that the accuracy rates for CNN in this study is higher than FEBANN
Benzer Tezler
- EMG sinyalleriyle uyuklama seviyesinin modern yöntemlerle kestirimi
Determining of doze level analysing EMG signals by modern methods
FERHAT TUNÇ
Yüksek Lisans
Türkçe
2003
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET AKIN
- EEG ve EMG sinyalleriyle uyuklama seviyesinin modern yöntemlerle kestirimi
Determining of doze level analysing EEG and EMG signals by modern methods
NECMETTİN SEZGİN
Yüksek Lisans
Türkçe
2003
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET AKIN
- EMG işaretlerinin özniteliklerinin çıkarılması, kNN ve YSA yöntemleri ile sınıflandırılması
Classification of the EMG signal using neural network pattern recognition and kNN algorithm
ÇAĞRI ÇERÇİ
Yüksek Lisans
Türkçe
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN TEMELTAŞ
- EMG işaretlerinin sınıflandırılması ve öbekleştirilmesi
Classification and clustering of EMG signals
MÜCAHİD GÜNAY
Yüksek Lisans
Türkçe
2011
Elektrik ve Elektronik MühendisliğiKahramanmaraş Sütçü İmam ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. AHMET ALKAN
- Emg işaretlerinin işlenmesi ve sınıflandırılması
Processing and classification of emg signals
İSMAİL YAZICI
Yüksek Lisans
Türkçe
2008
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik ve Elektronik Mühendisliği Bölümü
PROF. DR. ETEM KÖKLÜKAYA