Geri Dön

Elektromiyografik işaretlerin bulanık sınıflayıcıları sınıflandırılması

Başlık çevirisi mevcut değil.

PDF İndir

  1. Tez No: 46252
  2. Yazar: HÜSEYİN ŞEKER
  3. Danışmanlar: DOÇ.DR. MEHMET KORÜREK
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 1995
  8. Dil: Türkçe
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Belirtilmemiş.
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 101

Özet

ÖZET 1960' h yıllarda ilk olarak Azeri asıllı Prof.Dr. Lütfî A. Zadeh tarafından ortaya atılan Fuzzy Kümeler teorisi o günden bu yana işaret işlemeden, kontol sistemlerine; tipta uzman sistemlerin oluşturulmasmdan endüstri mühendisliğinde verimliliğin arttırılmasına kadar her alanda uygulanma imkanı bulmuştur. Bir küme elemanın bir kümeye aiüiliğini Üyelik Değeri ile ifade eden Prof.Dr. Zaden, insan mantığına en yatkın algoritmayı ortaya atmıştır. Klasik işaret veya patem sınıflama işlemlerinde bir işaretin veya paternin bir sınıfa ait olup olmaması önemlidir. Bununla beraber fuzzy mantığında önemli olan“ işaret/patern bir sınıfa ne kadar aittir?”sorusuna cevap bulmaktır. Bu amaçla O ile l arasında sonsuz sayıda değer alabilmektedir. Bu değerlere Üyelik Değeri denir, örneğin bir hasta ve iki muhtemel hastalık düşünelim. Yapılan araştırma sonucunda hastalıklardan birisinin üyelik değeri 0.485 diğeri ise 0.515 çıksın. Klasik mantıkta direkt olarak üyelik değeri 0.515 olan hastalık teşhis edilirdi. Ancak burada bir şüphe sözkonusudur. Dolayısıyla Fuzzy tabanlı algoritmalar çok bilgi içermektedir. Ayrıca bu mantıkta üyelik değerlerinin en iyi şekilde tespiti önemlidir. Bu amaçla üyelik fonksiyonları oluşturulur. En iyi sonuç veren fonksiyonlar o konudaki uzman kişilerden alman bilgiler neticesinde oluşturulan fonksiyonlardır. insan için hayati önem için taşıyan organlar vardır. Bunlardan birisi de hareketlerimizi iskeletle beraber sağlayan kaslardır. Kaslardaki bir arıza bütün bir uzvu etkileyebilmektedir. Bu nedenle diğer biyolojik işaretlerde olduğu gibi elektromiyografik işaretlerin de işlenmesi ve yorumlanması gerekmektedir. Buradan hareketle bu çalışmada daha önce bir yüksek lisans tezi için elde edilmiş olan kol kaslarından alman elektromiyografik işaretlerin sınıflaması bir çok fuzzy sınırlayıcı algoritması kullanılarak yapılmıştır. Karşılasürmalı sonuçlar, tablolar ve grafikler halinde verilmiştir. V

Özet (Çeviri)

SUMMARY in the study named“ Classification of Electromiographic (EMG) Signals By Using Fuzzy Classifiers”, some of classification algorithms based on Fuzzy Set Theory are used to classify EMG signals which is very important for humans. EMG signals used in the study was obtained from muscle of upper-limb. Four ann behaviors are used to classify. EMG signals are modeled by AR (Auto Regressive) Models and the four parameters (al, a2, a3, a4) from this model are used as feature vectors. As classifiers, Fuzzy Set Theory-based classifiers are used. Since Fuzzy Sets were fîrst introduced by Prof. Dr. L.A. Zadeh in 1965, Fuzzy Sets have become very popular subject that many researchers and scientists use widely,and fuzzy sets have advanced in wide variety of disciplines; e.g. control theory, topology, Hnguistics, optimization, category theory, automata, decision making. The results derived from applications have shown that Fuzzy sets being a generalization of conventional set theory (Crisp-Hard-0/1 Logic), yield better results than conventional set theory. in crisp sets, if an element of a set belongs to this set, its degree is l, othenvise O (zero). But no elements in ali sets belong to a set crisply. it has to have a degree. in fuzzy sets, this degree is called“Membership Value”and,“Membership Function”through which membership value is obtained ör calculated. Lets an example about the set of numbers H from 6 to 8. in crisp sets, we can write H={r eR | 6 :..;. : Fuzz? S^ts::.:.. -.. Figüre-1 Membership Functions for hard (crisp) and fuzzy subsets of R (=) EcpıalityA=B mA(x)=mB(x); (c) ContainmentAç B mA(x) < mB(x); (») ComplementmD(x)==l-mA(x) A (n) IntersectionmAnB(x)=min{mA(x), mB(x)}; (u) UnionmAuB(x)=max{mA(x),mB(x)}. viiThe fîrst and main problem in fuzzy sets is how to obtain the best Membership Function for a system. The main idea is that the function can be obtained by means of experts in this system. But it is very hard to reach to experts. Recentiy, some methods that membership function can be obtained directly from numerical data. in this study, several membership functions such as triangular membership function are evaluated to represent each feature vector of each EMG class. Fuzzy Relation matrix used in decision making is obtained firom Membership Functions. in the study, unleveled signal is classified using membership function and fuzzy relation matrix obtained from membership functions. in Fuzzy Set Theory, pattern ör signal classification is different from conventional methods. Conventional methods assigns a signal to a particular class. This is important decision in mis method. However, in fuzzy set theory - based pattern/signal classifiers, fuzzy classifiers assigns class membership to a pattern/signal rather than assigning the vector to a particular class. A signal's membership values should provide a level of assurance to accompany the resultant classification. For example, ifa signal is assigned 0.9 membership in öne class and 0.05 membership in two other classes, we can be reasonably sure the class of 0.9 membership is the class to which the signal belongs. On the other hand, if a signal is assigned 0.55 membership in öne class, 0.44 membership in class two, and 0.01 membership in class three, then we should be hesitant to assign the signal based on these results. However, we can feel confident that it does not belong to class three. in such a case the signal might be examined further to determine its classification, because the signal exhibits a high degree of membership in both classes öne ör two. hı fuzzy set theory-based- pattern classification algorithms, a distance from group center is used to evaluate the membership values. The fîrst algorithm we uy to explain is“ Fuzzy C-Mean (FCM)”. in this algorithm, sum of memberships that a signal has for ali classes is l, and we can calculate the membership values for a unlabeled signals for ali classes. As C, number of class (i, j = 1,2,3,...C); Ç_ r j l2/(m-l) V İ& (2) ^ d: j=iu 0

Benzer Tezler

  1. Tez No

    284443

    EMG işaretlerinin sınıflandırılması ve öbekleştirilmesi

    Classification and clustering of EMG signals

    MÜCAHİD GÜNAY

    Yüksek Lisans

    Türkçe

    Türkçe

    2011

    Elektrik ve Elektronik MühendisliğiKahramanmaraş Sütçü İmam Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. AHMET ALKAN

  2. Tez No

    93741

    Konik kesit fonksiyonlu yapay sinir ağında öğrenme algoritmasının geliştirilmesi ve ağın çeşitli problemler için performansı ile duyarlılığının incelenmesi

    Developing of learning algorithm and investigating of the network performance and sensitivity for various problems in conic section function neural networks

    LALE BAŞTÜRK ÖZYILMAZ

    Doktora

    Türkçe

    Türkçe

    2000

    Elektrik ve Elektronik MühendisliğiYıldız Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. B. ŞEFİK SARIKAYALAR

  3. Tez No

    224135

    Protez denetimi için elektromiyografi (EMG) de örüntü tanıma

    Pattern recognition on electromyography for prosthesis control

    DENİZ TAŞAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2008

    Mühendislik BilimleriEge Üniversitesi

    Elektrik ve Elektronik Mühendisliği Bölümü

    YRD. DOÇ. DR. MEHMET ENGİN

  4. Tez No

    365258

    Ön kol yüzey emg sinyallerinin örüntü tanıma tabanlı analizi ve yapay sinir ağları ile sınıflandırılması

    Pattern recognition based analysis of forearm surface emg signals and classification with artificial neural networks

    SEYİT AHMET GÜVENÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    2014

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKaradeniz Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUSTAFA ULUTAŞ

  5. Tez No

    394611

    Real time elbow joint angle estimation using sEMG signals

    Yüzeyel EMG işaretlerini kullanarak gerçek zamanlı dirsek eklem açısının tahmini

    DURMUŞ ALİ EROĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2015

    Elektrik ve Elektronik MühendisliğiÇukurova Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. CABBAR VEYSEL BAYSAL

Geri Dön