Geri Dön

Two channel EMG classification for transradial arm movements

Transradiyal kol hareketleri için iki kanal EMG sınıflandırması

  1. Tez No: 619654
  2. Yazar: OZAN UĞUR
  3. Danışmanlar: DOÇ. DR. AHMET ÖZKURT
  4. Tez Türü: Yüksek Lisans
  5. Konular: Biyomühendislik, Bioengineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2020
  8. Dil: İngilizce
  9. Üniversite: Dokuz Eylül Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Biyomedikal Teknolojiler Ana Bilim Dalı
  12. Bilim Dalı: Biyomedikal Teknolojiler Bilim Dalı
  13. Sayfa Sayısı: 73

Özet

Bu tez kapsamında, transradyal kol ampütasyonu geçirmiş bireylere yönelik geliştirilebilecek Elektromiyografi tabanlı bir protez için yapay sinir ağları (YSA) kullanılarak sınıflandırma algoritması üzerine çalışılmıştır. Elektromyografi (EMG) sinyallerinin alınması için, uygulama kolaylığı göz önünde bulundurularak yüzey electromyografisi tercih edilmiştir. Tek kanal üzerinden alınan verilerin sınıflandırma için yetersiz olması nedeniyle, kaydediler veriler işlenerek çeşitli özellikler çıkartılmıştır. Ortalama mutlak değer, karekök ortalama, basit kare integrali, EMG varyansı, log detektörü, maksimum fraktal uzunluğu, dalgaboyu, ortalama genlik değişimi, diferansiyel mutlak standart sapma değeri, willison genliği ve eğim işaret değişikliğ özellikleri sınıflandırma amacıyla eğitilecek YSA girdi matrisi olarak verilmiştir. Bu çalışmada, açık el, kapalı el, bilek fleksiyonu ve ön kol supinasyonu olmak üzere dört farklı hareket sınıflandırılmıştır. YSA eğitimleri sonucunda doğruluk, duyarlılık, özgüllük ve kesinlik performans metrikleri hesaplanmış, incelenmiş ve değerlendirilmiştir. Bu tez kasamında yapılan çalışma sonucunda gizli katman düğümü sayısının, özellik çıkarma, özellik seçimi ve YSA'nın kişiselleştirilmesinin sınıflandırma performansına etkileri değerlendirilmiştir. Bireysel olarak düşük doğruluk oranlarına sahip özelliklerin gruplandırılması ve kombine edilmesi ile oluşturulan özellik kümeleri ile YSA eğitilerek yüksek performans metrikleri sağlayan bir sınıflandırıcı oluşturulmuştur. Oluşturulan iki özellik seti genelleme ile yüzde 88, kişiselleştirme ile yüzde 95 doğruluk elde edilmiştir.

Özet (Çeviri)

In this thesis, the classification algorithm for electromyography (EMG) based prosthesis which can be developed for individuals who have undergone transradial arm amputation has been studied using artificial neural networks (ANN). Surface electromyography (sEMG) has been preferred for ease of application in order to receive EMG signals. The data were processed and various features were extracted. Mean absolute value (MAV), root mean square (RMS), simple square integral (SSI), variance of EMG (VAR), log detector (LOG), maximum fractal length (MFL), wavelength (WL), average amplitude change (AAC), difference absolute standard deviation value (DASDV), Willison amplitude (WAMP) and slope sign change (SSC) features are given as an input matrix to the ANN to be trained for classification purposes. In this study, four different movements as relaxed hand, hand close, wrist flexion, and forearm supination are classified. The accuracy, sensitivity, specificity, and precision performance metrics were calculated as a result of ANN training and examined and interpreted. As a result of the study carried out within the scope of this thesis, the effects of the number of hidden layer neurons, feature extraction, feature selection and individualization of ANN to classification performance were evaluated. A classifier that provides high classification performance metrics were established by training with feature sets formed by grouping and combining features with individual low accuracy rates. The two feature sets created achieved 88 percent accuracy with generalization and 95 percent accuracy with individualization.

Benzer Tezler

  1. Using deep learning for movement classification eeg/emg type time series

    Eeg/emg türü zaman serileri kullanılarak hareket sınıflandırma için derin öğrenme kullanımı

    HARUN GÜNEŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AHMET ÇINAR

  2. Çeşitli aktiviteler sırasında kaydedilmiş EEG ve EMG işaretlerinin sınıflandırılması

    Classification of recorded EEG and EMG signals during various activities

    TANER YURDUSEVER

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Elektrik ve Elektronik MühendisliğiKaradeniz Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. TEMEL KAYIKÇIOĞLU

  3. 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. 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

    Türkçe

    2017

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    PROF. DR. HAKAN TEMELTAŞ

  5. 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

    Türkçe

    2013

    Elektrik ve Elektronik MühendisliğiSelçuk Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. YÜKSEL ÖZBAY