Elektromiyografi sinyallerinden altı farklı el hareketinin yapay zeka teknikleri kullanılarak sınıflandırılması
Classification of six different hand movements from electromyography signals using artifical intelligence techniques
- Tez No: 633246
- Danışmanlar: DR. ÖĞR. ÜYESİ RUKİYE UZUN ARSLAN, DOÇ. DR. YALÇIN İŞLER
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Yüzey elektromiyografi, el hareketleri algılama, protez el, makine öğrenmesi, sınıflandırma, dalgacık dönüşümü, Surface EMG, hand movements detection, prosthesis hand, machine learning, classification, wavelet transform
- Yıl: 2020
- Dil: Türkçe
- Üniversite: Zonguldak Bülent Ecevit Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 81
Özet
İnsanlar geçirdikleri çeşitli kazalar, yaralanmalar ve bazı doğuştan gelen ya da sonradan meydana gelen kas rahatsızlıkları sebebiyle el, kol veya bacaklarında uzuv kaybı (ampütasyon) yaşayabilmektedirler. Ampütasyon sonucu yerine getirilemeyen eylemlere yardımcı olabilmek için bazı protezler üretilmektedir. Fakat standart protezler biyolojik eller ve kollar gibi her eylemi faydalı bir şekilde yerine getirememektedir. Günümüz teknolojisinde biyolojik eller gibi işlevsellik ve hareket kabiliyetini iyileştirmek amacıyla akıllı protez üretimi çalışmaları yürütülmektedir. Tasarlanan insan- bilgisayar arayüzlerinde, kasların hareketi sonucu ortaya çıkan biyopotansiyel işaretleri görüntülemeyi sağlayan, elektromiyografi yöntemi yaygın bir şekilde kullanılmaktadır. Bu tez çalışmasında, ön kol kaslarından elde edilmiş olan EMG sinyallerinden farklı el hareketlerini daha yüksek doğrulukla algılayabilmek için literatürde sık kullanılan çeşitli sınıflandırıcılar sırayla çalıştırılmıştır. Veri seti olarak, UCI veri tabanından ücretsiz erişim imkânı olan yüzey elektromiyografi ile elde edilen el hareketlerinden oluşan veri seti kullanılmıştır. Dalgacık dönüşümünün yanı sıra, 17 farklı zaman alanında öznitelik elde edilmiştir. Sınıflandırıcı algoritmaları en iyi başarımlar elde edilene kadar farklı sınıflandırıcı parametreleri sırasıyla denenmiştir. Tez çalışması süresince öznitelik seçimi algoritmaları koşturulmamış ve elde edilen tüm öznitelikler sınıflandırıcılara doğrudan uygulanmıştır. Sonuç olarak, dinlenme hareketi dışında 6 farklı el hareketinin sınıflandırılabilmesi için kullanılan 7 ayrı makine öğrenmesi algoritması (sınıflandırıcı) kullanılmıştır. Sırasıyla sınıflandırıcı başarımları şu şekildedir; Çok Katmanlı Algılayıcı için %89,63, Karar ağacı için %81.21, Naive Bayes için %62,75, K En Yakın Komşu için %88,25, Doğrusal Destek Vektör Makinesi için %87,86, Kübik Destek Vektör Makinesi için %89,97 ve Topluluk Öğrenme için %88,37' dir. Bu değerler içerisinde Çok Katmanlı Algılayıcı ve Kübik Destek Vektör Makinesi ile en yüksek sınıflandırıcı başarımları elde edilmiştir.
Özet (Çeviri)
People may experience loss of limbs (amputation) in their hands, arms or legs due to various accidents, injuries and some congenital or subsequent muscle disorders. Some protheses are produced to help actions that cannot be performed as a result of amputation. However, standard prothesis cannot perform every action in a useful way, such as biological hands and arms. In today's technology, smart prosthesis production studies are carried out to improve functionality and mobility, such as biological hands. In designed human - computer interfaces, the electromyography method is widely used, enabling the imaging of biopotential signs resulting from the movement of muscles. In this thesis, various classifiers that have been commonly-used in the literature were run in a sequence to sense different hand movements with a higher accuracy from EMG signals, which were recorded from fore-arm muscles. As a data set, the surface EMG data set were used from the UCI database with free access. In addition to the wavelet transform, 17 distinct time-domain features were extracted. Different algorithm-specific parameters were tested until the best accuracies were obtained in the corresponding classifier algorithms. Throughout the thesis, any feature selection algorithm was not executed so that all the features were applied directly to classifiers. As a result, 7 separate machine learning algorithms (classifiers) have been used to classify 6 different hand movements except for rest movement. The classifiers accomplishments, respectively; 89.63% for Multi-Layer Perceptron, 81.21% for Decision Tree, 62.75% for Naive Bayes, 88.25% for K-Nearest Neighbor, 87.86% for Linear Support Vector Machine, 89.97% for Cubic Support Vector Machine and 88.37% for Ensemble Learning. Within these values, the highest classifier performance has been achieved with the Multi-Layer Perceptron and Cubic Support Vector Machine.
Benzer Tezler
- Classification of hand gestures using time-frequency analysis and different artificial intelligence methods
Zaman-frekans analizi ve farklı yapay zeka yöntemleri kullanılarak el hareketlerinin sınıflandırılması
DENİZ HANDE KISA
Yüksek Lisans
İngilizce
2023
Bilim ve Teknolojiİzmir Katip Çelebi ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ONAN GÜREN
PROF. DR. AYDIN AKAN
- Akıllı el protez kontrolü karar verme performansına elektromiyografi sinyallerinin çok değişkenli görgül kip ayrışımı ile analizinin etkileri
The effects of multivariate empirical mode decomposition analysis of electromyography signals on intelligent hand prothesis control decision making performance
FATİH ONAY
Yüksek Lisans
Türkçe
2019
Mekatronik MühendisliğiBursa Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET MERT
- 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
- EMG sensör kontrollü beş eksenli robotik kol ve robotik el tasarımı ve gerçeklenmesi
EMG sensor controlled five axis robotic arm and robotic hand design and implementation
SALİH OBUŞ
Yüksek Lisans
Türkçe
2019
Mekatronik MühendisliğiFırat ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ŞENGÜL DOĞAN
DR. TÜRKER TUNCER
- Üroflovmetre-elektromiyografi sinyalleri sınıflandırılarak alt üriner sistem disfonksiyonu için tıbbi karar destek sistemi oluşturulması
Development of medical decision support system for lower urinary tract dysfunction by classifying uroflowmetry-electromyography signals
ÇAĞRI YILMAZER
Yüksek Lisans
Türkçe
2019
BiyomühendislikTOBB Ekonomi ve Teknoloji ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. OSMAN EROĞUL