Geri Dön

El hareketlerine ait yüzey EMG sinyallerinin işlenmesi ve sınıflandırılması

Processing and classification of surface EMG signals of hand gestures

  1. Tez No: 694046
  2. Yazar: MEHMET CAN DEMİR
  3. Danışmanlar: DR. ÖĞR. ÜYESİ CENGİZ TEPE
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  8. Dil: Türkçe
  9. Üniversite: Ondokuz Mayıs Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 103

Özet

Ampute bireyler için protez kol tasarımında yüzey EMG işaretlerinin işlenmesi ve sınıflandırılması sıkça yapılan bir uygulamadır. Bu tez çalışmasında ampute bireylerdeki kas kayıpları dikkate alınarak daha az kasa ait veriler ile güvenilir sınıflandırma sonuçları elde edilmeye çalışılmıştır. Sınıflandırma performansının artırılması için literatürde kullanımına rastlanılmayan jiroskop öznitelikleri de kullanılmıştır. Veri setinde 7 el hareketi için 10 sağlıklı kişiden Myo kol bandı ile alınmış yüzey EMG ve jiroskop verileri bulunmaktadır. Bu 7 el hareketi: yumruk, parmak açma, bilek içeri bükme, bilek dışarı bükme, pronasyon, supinasyon ve dinlenmedir. Denekler her bir hareketi 30' ar kez tekrarlamışlardır. Yüzey EMG ve jiroskop işaretlerinin öznitelikleri çıkarılmadan önce önişlemeden geçirilmiştir. Önişleme süreci yüzey EMG verileri için iki aşamadan oluşmaktadır. Birinci aşamada yüzey EMG işareti 10 Hz yüksek geçiren filtreden geçirilmiştir. İkinci aşamada ise işaret içinde hareketin gerçekleştiği aralık bulunarak harekete ait olmayan kısımlar çıkarılmıştır. Jiroskop verilerinin önişlemesinde filtre uygulanmamış, yalnızca hareketin gerçekleştiği aralık bulunmuştur. Önişlemeleri yapılan yüzey EMG ve jiroskop verilerinin öznitelikleri çıkarılmıştır. Öznitelik matrisinde 14 adet zaman düzlemi, 6 adet frekans düzlemi olmak üzere 20 adet öznitelik kullanılmıştır. Bunların arasından en yüksek doğruluğu verenlerin belirlenmesi için ardışıl ileri yönlü öznitelik seçimi yapılmıştır. Sınıflandırma algoritması olarak Destek Vektör Makinesi ve k-En Yakın Komşuluk kullanılmıştır. Sınıflandırmada Matlab® içerisinde bulunan ClassificationLearner uygulamasından yararlanılmıştır. Tüm yüzey EMG kanalları kullanılarak elde edilen en yüksek doğruluk % 98,38'dir. Öznitelik seçimi sonucunda elde edilen öznitelik seti ve sınıflandırıcı kullanılarak kanal sayısı azaltılmış ve doğrulukları kontrol edilmiştir. Kanal sayısı 3' e kadar düşüldüğünde doğruluğun % 90' ın üzerinde olduğu görülmüştür. Özellikle az sayıda yüzey EMG kanalı kullanıldığında jiroskop özniteliklerinin performansı artırdığı görülmüştür. Elde edilen bu sonuçların ardından tüm veri seti eğitim kümesinde kullanılarak sınıflandırma modeli oluşturulmuş ve test verileri sisteme gerçek zamanlı gönderilmiştir. Veri setindeki sekiz kişi için yapılan gerçek zamanlı uygulama sonucunda % 95,83 ortalama doğruluk elde edilmiştir.

Özet (Çeviri)

Processing and classification of surface EMG signals is a common practice in prosthetic arm design for amputated individuals. In this thesis study, it has been tried to obtain reliable classification results with less muscle data considering the muscle losses in amputated individuals. Gyroscope features, which are not used in the literature, are also used to increase the classification performance. The data set includes surface EMG and gyroscope data taken from 10 healthy subjects with Myo armband for 7 hand gestures. These 7 hand gestures are: fist, fingers spread, wave-in, wave-out, pronation, supination and rest. Subjects repeated each gesture 30 times. surface EMG and gyroscope signals were preprocessed before their features were extracted. The preprocessing consists of two stages for surface EMG data. In the first stage, the surface EMG signal was passed through a 10 Hz high-pass filter. In the second stage, the region in the signal where the gesture takes place was found and the parts that do not belong to the gesture were removed. In the preprocessing of the gyroscope data, no filter was applied, only the region at which the gesture occurred was found. The features of the preprocessed surface EMG and gyroscope data were extracted. In the feature matrix, 20 features including 14 time domain and 6 frequency domain were used. Sequential forward selection was made to determine the highest accuracy among these. Support Vector Machine and k-Nearest Neighbors was used as the classification algorithm. ClassificationLearner application in Matlab® was used for classification. The highest accuracy achieved by using all surface EMG channels is 98.38%. Using the feature set and classifier obtained as a result of the feature selection, the number of channels was reduced and their accuracy was checked. When the number of channels is reduced up to 3, it has been observed that the accuracy is over 90%. Especially when using a small number of surface EMG channels, it has been observed that gyroscope features increase the performance. After these results, the classification model was created by using the entire data set and the test data was sent to the system in real time. As a result of the real-time application performed for eight subjects in the data set, an average accuracy of 95.83% was obtained.

Benzer Tezler

  1. Hand gesture classification using features of multivariate synchrosqueezing transform based time-frequency matrix

    Çok değişkenli senkron sıkıştırma dönüşümüne dayalı zaman-frekans matrisinin özelliklerini kullanarak el hareketi sınıflandırılması

    LÜTFİYE SARIPINAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilim ve Teknolojiİzmir Katip Çelebi Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ONAN GÜREN

  2. 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

    Türkçe

    2019

    Mekatronik MühendisliğiBursa Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AHMET MERT

  3. Machine learning techniques for surface electromyography based hand gesture recognition

    Yüzey elektromiyografi temelli el jesti tanıma için makine öğrenmesi teknikleri

    ENGİN KAYA

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TUFAN KUMBASAR

  4. 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. 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