Geri Dön

Neural network-based adaptive myoelectric signal classification via utilization of entropy history

Entropi geçmişinden yararlanarak sinir ağı temelli uyarlanabilir miyoelektrik işaret sınıflandırması

  1. Tez No: 484041
  2. Yazar: KÜBRA NAZLIHAN IŞIK
  3. Danışmanlar: YRD. DOÇ. DR. MEHMET KOCATÜRK
  4. Tez Türü: Yüksek Lisans
  5. 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
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2017
  8. Dil: İngilizce
  9. Üniversite: İstanbul Medipol Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği ve Siber Sistemler Ana Bilim Dalı
  12. Bilim Dalı: Elektrik Elektronik Mühendisliği ve Siber Sistemler Bilim Dalı
  13. 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

  1. 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

    İngilizce

    2005

    Havacılık ve Uzay MühendisliğiGeorgia Institute of Technology

    Havacılık ve Uzay Mühendisliği Ana Bilim Dalı

    PROF. DR. ANTHONY J. CALISE

  2. Hierarchical behavior categorization using correlation based adaptive resonance theory

    İlinti temelli uyarlanır rezonans kuramı kullanarak sıradüzensel davranış sınıflandırma

    MUSTAFA YAVAŞ

    Doktora

    İngilizce

    İngilizce

    2011

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilgisayar Mühendisliği Bölümü

    DOÇ. DR. FERDA NUR ALPASLAN

  3. Adaptive force trajectory tracking for robotic interaction with soft objects

    Başlık çevirisi yok

    NOYAN ÜZER

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Elektrik ve Elektronik MühendisliğiChalmers University of Technology

    Elektrik Mühendisliği Ana Bilim Dalı

    DR. YİANNİS KARAYİANNİDİS

  4. Kalman filter based applications for helicopters

    Helikopterlerde Kalman filtre uygulamaları

    MERVE OKATAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2014

    Havacılık MühendisliğiOrta Doğu Teknik Üniversitesi

    Havacılık Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İLKAY YAVRUCUK

  5. Sarkaç taşıyan elastik kolun bulanık mantık tabanlı titreşim kontrolü

    Fuzzy logic based vibration control of elastic arm carrying pendulum

    MUSTAFA TINKIR

    Doktora

    Türkçe

    Türkçe

    2010

    Makine MühendisliğiSelçuk Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. METE KALYONCU