Neural network-based adaptive myoelectric signal classification via utilization of entropy history
Entropi geçmişinden yararlanarak sinir ağı temelli uyarlanabilir miyoelektrik işaret sınıflandırması
- Tez No: 484041
- Danışmanlar: YRD. DOÇ. DR. MEHMET KOCATÜRK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Mühendislik Bilimleri, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2017
- Dil: İngilizce
- Üniversite: İstanbul Medipol Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği ve Siber Sistemler Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği ve Siber Sistemler Bilim Dalı
- Sayfa Sayısı: 98
Özet
Transradiyal amputelerin kalan ön kol kaslarından yayılan yüzeyel elektromiyografi işaretleri(yEMG), kaybedilen elin fonksiyonlarının yerini almak üzere robotik protezlerin kontrolü için kullanılmaya uygundur. Protetik şifre çözücülerde sezgisel ve doğal bir kontrol sağlamak için yEMG örüntü tanıma(ÖT) algoritmalarından faydalanılır. Ancak, şifre çözücüye gelen yEMG işaret girdilerinin adele kasılmaları ve cilt-elektrot arayüzü dinamiğinden kaynaklanan devamlı değişimleri nedeniyle bu algoritmaların sınıflandırma doğruluk değerleri zamanla azalır. Bu tez çalışmasındaki amacımız gözetimsiz uyarlama gerçekleştirebilen ve protez el kontrol birimlerinin performansını arttırabilecek hesapsal olarak verimli bir sınıflandırma yöntemi geliştirmekti. Bu doğrultuda, uyarlanabilir ve sinir ağı temelli bir yEMG işaret sınıflandırıcısı geliştirdik. Her bir sınıflandırma kararı ile ilişkilendirilen entropi, sistemde tahminlerin güvenilirlik seviyelerini değerlendiren bir ölçüt olarak kullanıldı. Entropi geçmişini kaydetmek üzere sistemde bir arabellek tanımlandı ve tahminlerle ilişkilendirilmiş entropi değerleri yalnızca belirli bir zaman aralığında belirli bir güvenilirlik değerinin altında olduğunda gözetimsiz öğrenme gerçekleştirildi. Önerilen sınıflandırıcı benzetilmiş yEMG işaretleri kullanılarak geliştirildi ve sınıflandırma doğruluğu 2 sağlıklı denekten 5 çeşit el hareketinin uygulamaları sırasında kaydedilen yEMG işaret kayıtları kullanılarak doğrulandı. 25 saniyelik bir yEMG işaret kaydı kullanılarak gözetimli eğitim aşaması ardından, 725 saniyelik yEMG işaret kayıtları için sınıflandırıcının uyarlama uygulandığı ve uygulanmadığı durumlar için hesaplanan ortalama genel sınıflandırma doğruluk değerleri sırasıyla 94,5841% ve 94,1390% idi. Sağlıklı deneklerden alınan kayıtlar için elde edilen sınıflandırma doğruluğu sonuçları, bu gözetimsiz, sinir ağı temelli uyarlama yaklaşımının protez el kontrol birimlerinin gürbüzlüğünü arttırma açısından umut verici olduğunu ortaya çıkarmıştır. Sunulan sistem, uyarlama problemi için sinir ağı ve çevirim içi öğrenme stratejisi kullanarak hesapsal olarak verimli bir çözüm ileri sürmektedir. Sistem yalnızca belirli sayıdaki son sınıflandırma için entropi geçmişi tutmakta ve uyarlamayı yalnızca en son yEMG işaret girdi vektörünü kullanarak gerçekleştirmektedir.
Özet (Çeviri)
The surface electromyography (sEMG) signals emanating from the remnant forearm muscles of transradial amputees are eligible for controlling robotic prostheses to replace the functions of the lost hand. sEMG pattern recognition (PR) algorithms are utilized in prosthetic decoders to provide intuitive and naturalistic way of control. However, classifi cation accuracy of these algorithms decay over time since the sEMG signal input continuously changes in practice due to the dynamics of muscular contraction and the skin-electrode interface. Our goal in the present study was to develop a computationally efficient classifi cation method that can realize adaptation in an unsupervised manner and improve the performance of the prosthetic hand controllers. To this end, we developed an adaptive, neural-network-based sEMG signal classifi er. In the system, the entropy associated with each classifi cation decision is used as a metric to evaluate the confi dence level of the predictions. A buffer is implemented into the system to store the history of the entropy and unsupervised learning is realized only when the entropy values associated with the predictions are below a certain con fidence level for a certain time period. The present classifi er was developed using simulated sEMG signals and its classifi cation accuracy was validated using sEMG signal recordings from two able-bodied subjects performing 5 types of hand gestures. Followed by a supervised training phase using a 25 seconds sEMG signal recording, the average classi fication accuracy of the classifi er for 725 seconds sEMG recordings was 94,5841% and 94,1390% when adaptation is applied and not applied, respectively. The classifi cation accuracy results for the recordings from able-bodied subjects revealed that the present unsupervised, neural network-based adaptation approach is promising for improving the robustness of the prosthetic hand controllers. The present system proposes a computationally efficient solution for the adaptation problem by utilization of a neural network and online learning strategy. The system stores only the entropy history for a number of latest classi fications and performs the adaptation only using the latest sEMG signal input vector.
Benzer Tezler
- Neural network based adaptive output feedback control: Applications and improvements
Yapay sinir ağları tabanlı uyarlamalı çıktı geri beslemeli kontrol: Uygulamalar ve iyileştirmeler
ALİ TÜRKER KUTAY
Doktora
İngilizce
2005
Havacılık ve Uzay MühendisliğiGeorgia Institute of TechnologyHavacılık ve Uzay Mühendisliği Ana Bilim Dalı
PROF. DR. ANTHONY J. CALISE
- Hierarchical behavior categorization using correlation based adaptive resonance theory
İlinti temelli uyarlanır rezonans kuramı kullanarak sıradüzensel davranış sınıflandırma
MUSTAFA YAVAŞ
Doktora
İngilizce
2011
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Bölümü
DOÇ. DR. FERDA NUR ALPASLAN
- Adaptive force trajectory tracking for robotic interaction with soft objects
Başlık çevirisi yok
NOYAN ÜZER
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik MühendisliğiChalmers University of TechnologyElektrik Mühendisliği Ana Bilim Dalı
DR. YİANNİS KARAYİANNİDİS
- Kalman filter based applications for helicopters
Helikopterlerde Kalman filtre uygulamaları
MERVE OKATAN
Yüksek Lisans
İngilizce
2014
Havacılık MühendisliğiOrta Doğu Teknik ÜniversitesiHavacılık Mühendisliği Ana Bilim Dalı
DOÇ. DR. İLKAY YAVRUCUK
- Sarkaç taşıyan elastik kolun bulanık mantık tabanlı titreşim kontrolü
Fuzzy logic based vibration control of elastic arm carrying pendulum
MUSTAFA TINKIR
Doktora
Türkçe
2010
Makine MühendisliğiSelçuk ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. METE KALYONCU