Elektromiyogram sinyallerinin sınıflandırılması ve bağımsız bileşen analizi ile işlenmesi
Classification of electromyogram signals and processing with independent component analysis
- Tez No: 357167
- Danışmanlar: PROF. DR. HÜSEYİN SELÇUK VAROL
- Tez Türü: Doktora
- Konular: Biyomühendislik, Elektrik ve Elektronik Mühendisliği, Bioengineering, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2014
- Dil: Türkçe
- Üniversite: Marmara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik-Bilgisayar Eğitimi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 107
Özet
Deri üzerinden yüzeysel elektrotlar ile kayıt edilen elektromiyogram sinyalleri nörolojik hastalık teşhisi, sinir-kas ve psikomotor araştırmalarında, spor tıbbında, protez veya rehabilitasyon cihazları gibi çeşitli uygulamalar için önemli bir araç teşkil etmektedir. Bu tez çalışması kapsamında yukarıda belirtilen uygulamaların performanslarını arttırmak için birbirinden farklı fakat aynı zamanda birbirleriyle alakalı yüzeysel elektromiyogram (sEMG) sinyallerinin işlenmesiyle ilgili 3 farklı çalışma gerçekleştirilmiştir. İlk çalışma sEMG sinyallerinde gürültü azaltma ile ilgilidir. İkinci çalışma 7 farklı el hareketinin sınıflandırılması ve son çalışmada Bağımsız Bileşen Analizinin (BBA) sınıflandırma performanslarına etkisiyle ilgilidir. İlk çalışmada sEMG sinyallerinde kullanılan gürültü azaltma teknikleri incelenmiştir. Ampirik Mod Ayrıştırma (EMD) ve Dalgacık tabanlı gürültü giderme tekniği gürültü eklenmiş yapay EMG sinyaline uygulanmıştır. Sonuç olarak dalgacık tabanlı gürültü giderme tekniği, EMD tabanlı gürültü giderme tekniğinden çok daha iyi performans gösterdiği tespit edilmiştir. Yüksek gürültülü ortamlarda sym4, sym8 ve coif2 dalgacık fonksiyonları ve yumuşak eşik metodu en iyi sonuçları verirken düşük gürültülü ortamlarda bior1.1 ve sym5 dalgacık fonksiyonları ve sert eşik metodu daha iyi sonuç vermiştir. Yapılan ikinci çalışmada 7 farklı el hareketi, 8 zaman ve 2 frekans domeni özelliği kullanılarak sınıflandırılmış ve sınıflandırmada kullanılan Yapay Sinir Ağı (YSA) ve Gauss Karışım Model (GKM) tabanlı sınıflayıcıların performansları karşılaştırılmıştır. Karşılaştırma sonucu YSA sınıflayıcıları 7 hareketi daha iyi sınıflamış ve ortalama %92' lere varan sınıflama performansları elde edilmiştir. Yapılan son çalışmada BBA'nın performansı 6 el hareketinin çevrimdışı sınıflandırılmasında ve bir robot kolun kontrolünde gerçek zamanlı olarak test edilmiştir. Bu uygulama için kısıtlı BBA (kBBA) algoritması seçilmiştir. kBBA uygulanmış ve uygulanmamış sinyalin özellikleri çıkarılmış ve bu özellikler kullanılarak YSA'nın eğitimi gerçekleştirilmiştir. Çalışma sonunda kBBA tekniğinin boyut azaltırken aynı zamanda sınıflandırma oranlarını arttırdığı tespit edilmiştir. kBBA uygulanmış sEMG sinyalleri ile 6 hareketin ortalama sınıflandırılma oranı yaklaşık %96 olarak hesaplanmıştır. kBBA tekniğinin başarısını gerçek zamanlı bir uygulamada görmek için sEMG sinyalleri ile bir robot kol yüksek doğrulukta kontrol edilmiştir.
Özet (Çeviri)
Analysis of electromyography signals recorded from the skin over the muscles by surface electrodes represent an important tool in a variety of application like neurological diagnosis, neuromuscular and psychomotor research, sports medicine, prosthetics, or rehabilitation. In order to improve performances of such application three different but related studies about processing surface electromyography (sEMG) signals were realized in this thesis. First study is about denoising of sEMG signals. The second one is about classification of 7 hand gestures and the last one is about the effect of independent component analysis (ICA) to the classification performances. At first study, denoising methods of sEMG signals are examined. Empirical mode decomposition (EMD) based denoising and wavelet based denoising were applied to noise added synthetic signals. The results show that wavelet based denoising technique outperforms EMD based denoising. In high noisy environments, sym4, sym8 and coif2 wavelet functions and soft threshold method give the best results whereas in less noisy environments bior1.1 and sym5 wavelet functions and hard threshold method give the best results. At second study, seven different motions were classified using 8 time and 2 frequency domain features and classification performances of Artificial Neural Network (ANN) and Gaussian Mixture Model based classifiers were compared. The comparison showed that ANN classifiers gave better results and reaches about 92% classification rates. At the last study, the performances of ICA tested in classifying six hand gesture offline and in real time controlling of a robotic arm. The constrained ICA (cICA) algorithm was selected for this application. The cICA applied and unapplied signals' features were extracted and using these features training of ANNs were carried out. The results show that while cICA technique reducing the dimension it improves the classification rates. The average classification rates of six gestures obtained as about 96% with cICA applied sEMG signals. In order to see cICA in real-time application controlling of a robotic arm is realized by the help of sEMG signals with high accuracy.
Benzer Tezler
- Pediatrik hastalarda üroflovmetre ve emg sinyallerinin yapay sinir ağları kullanılarak sınıflandırılması
Classification of uroflowmetry and emg signals of pediatric patients using artificial neural networks
OZAN ÇALIŞKAN
Yüksek Lisans
Türkçe
2018
Elektrik ve Elektronik MühendisliğiKırıkkale ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FİKRET YALÇINKAYA
PROF. DR. OSMAN EROĞUL
- EMG sinyalleri ile çok fonksiyonlu protez el simülatörünün kontrolü
Control of the multifunctional prosthetic hand simulator via EMG signals
BEYDA TAŞAR
Doktora
Türkçe
2016
Bilim ve TeknolojiFırat ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ARİF GÜLTEN
DOÇ. DR. OĞUZ YAKUT
- Fuzzy cognitive maps for emotion modeling
Bulanık bilişsel haritalar yardımıyla insan duygularının modellenmesi
HASAN MURAT AKINCI
Yüksek Lisans
İngilizce
2013
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ENGİN YEŞİL
- EMG sinyallerinin yapay sinir ağı kullanılarak sınıflandırılması
Classification of EMG signals using artificial neural network
SABRİ KOÇER
Doktora
Türkçe
2005
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektronik-Bilgisayar Eğitimi Ana Bilim Dalı
PROF.DR. NİHAL FATMA GÜLER
- Servikal bölgede oluşan kas yorgunluğunun yüzey elektromiyogram bilgileri ile değerlendirilmesi
The evaluation of the muscle fatigue in the cervical region with surface electromyogram information
GÜZİN ÖZMEN
Yüksek Lisans
Türkçe
2013
Elektrik ve Elektronik MühendisliğiSelçuk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. YÜKSEL ÖZBAY