MYO bileklik kullanılarak alınan parmak hareketlerine ait EMG işaretlerinin makine öğrenme yöntemleri ile sınıflandırılması
Classification using machine learning methods of finger gesture EMG signals acquired with MYO armband
- Tez No: 697225
- Danışmanlar: DR. ÖĞR. ÜYESİ CENGİZ TEPE
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Ondokuz Mayıs Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 106
Özet
Kaslar hareket yapabilmemizi sağlayan temel yapı taşlarından biridir. Kasların kasılması ve gevşemesi sonucunda biyoelektriksel işaretler oluşmakta ve biyoelektriksel işaretler hareket oluşumunu sağlamaktadır. Bu işaretler elektrotlar ile ölçülerek yüzey Elektromiyogram (EMG) işareti elde edilmektedir. Yüzey EMG işaretlerinin işlenmesiyle insan hareketleri taklit edilebilmekte ve birçok farklı alanda kullanılabilmektedir. İnsan eli, parmakların farklı hareket kabiliyetleri sayesinde birçok el hareket kombinasyonu gerçekleştirebilmektedir. Bu nedenle protez ellerde parmakların birbirinden bağımsız hareket edebilmesiyle farklı el hareketlerini yapabilmesi kolaylaşabilecektir. Bu çalışmada bu görüş ön planda tutularak parmak hareketlerinin bağımsız hareket edebilmesi amacıyla işaretler çevrimdışı ve gerçek zamanlı sınıflandırılarak modeller önerilmiştir. Yüzey EMG ve jiroskop işaretleri myo bileklik kullanılarak alınmıştır. Veri seti 10 kişiden alınan 6 parmak hareketinden oluşturulmuştur. Bu 6 hareket başparmak, işaret parmak, orta parmak, serçe parmak, yüzük parmak ve dinlenme hareketidir. Veri seti filtrelenmiş, hareketin yapıldığı kısım belirlenmiş ve pencereleme işlemi uygulanmıştır. Öznitelik matrisinde 17 adet öznitelik kullanılmıştır. Ardışıl ileri yönlü öznitelik seçimi yöntemi ile en yüksek başarım gösteren öznitelik grubu belirlenmiştir. Matlab® içerisinde bulunan Classification Learner App ve Neural Network Pattern Recognition Tool kullanılarak sınıflandırma yapılmıştır. Çevrimdışı sınıflandırmada dört model önerilmiştir. İlk modelde yüzey EMG verileri ile CSVM sınıflandırıcısı kullanılarak %91,56 başarım elde edilmiştir. İkinci modelde yüzey EMG ve jiroskop verileri ile CSVM sınıflandırıcısı kullanılarak %92,56 başarım elde edilmiştir. Üçüncü modelde yüzey EMG verileri ile YSA'nın CGB eğitim algoritması kullanılarak yapılan sınıflandırmada %94,4 başarım elde edilmiştir. Son modelde yüzey EMG ve jiroskop verileri ile YSA'nın SCG eğitim algoritması kullanılarak yapılan sınıflandırmada %96,3 başarım elde edilmiştir. Gerçek zamanlı sınıflandırmada eğitim seti için çevrimdışı olarak sınıflandırılan model seçilmiştir. Test seti için myo bileklikten anlık veriler alınarak sınıflandırma yapılmıştır. Tüm veri setini kullanılarak oluşturulan modelde başarım %90,36'dır. Bireysel veri seti kullanılarak oluşturulan modelde başarım %98,33'dür. Parmak verileri işlenerek protez kol ve sanal el kontrolü için yüksek başarım veren modeller önerilmiştir. Bu modeller protez kollar ve sanal el kontrolleri için uygulanabilir bir yapıdadır. Parmak verilerinin işlenmesiyle protez kol işlevselliğinin arttırılacağı tahmin edilmektedir.
Özet (Çeviri)
Muscles are one of the basic building blocks that enable us to move. As a result of the contraction and relaxation of the muscles, bioelectrical signals are formed and the bioelectrical signals provide the formation of movement. Surface Electromyogram (EMG) signal is obtained by measuring these marks with electrodes. Human movements can be imitated by processing surface EMG signals and can be used in many different areas. The human hand can perform many hand gesture combinations thanks to the different mobility of the fingers. For this reason, it will be easier for the fingers to move independently of each other in prosthetic hands and to perform different hand gestures. In this study, by keeping this view in the foreground, models are proposed by classifying the signals offline and in real time in order to make finger gestures move independently. Surface EMG and gyroscope signals were received using the myo armband. The data set consists of 6 finger gestures taken from 10 people. These 6 movements are the thumb, index finger, middle finger, ring finger, little finger and rest. The data set was filtered, the part where the gesture was made was determined and the windowing process was applied. 17 features are used in the feature matrix. The most successful feature group was determined with the sequential forward feature selection method. Classification was made using the Classification Learner App and Neural Network Pattern Recognition Tool in Matlab®. Four models have been proposed for offline classification. In the first model, %91.56 performance was achieved by using surface EMG data and CSVM classifier. In the second model, %92.56 performance was achieved by using surface EMG and gyroscope data and CSVM classifier. In the third model, a %94.4 success was achieved in the classification made by using surface EMG data and ANN's CGB training algorithm. In the last model, a success of %96.3 was achieved in the classification made using the surface EMG and gyroscope data and the SCG training algorithm of ANN. In real-time classification, the offline classified model was chosen for the training set. For the test set, instant data was taken from the myo armband and classified. The performance is %90.36 in the model created by using the whole data set. In the model created using the individual data set, the performance is %98.33. High performance models have been proposed for prosthetic arm and virtual hand control by processing finger data. These models are applicable for prosthetic arms and virtual hand controls. It is estimated that prosthetic arm functionality will be increased by processing finger data.
Benzer Tezler
- Değişen kol pozisyonlarında ön koldan ölçülen SEMG sinyalleri ve ataletsel veriler kullanılarak el hareketlerinin sınıflandırılması
Classification of hand movements by using sEMG signals measured from forearm in different arm positions
EMRE PARLAK
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik MühendisliğiMarmara ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ULVİ BAŞPINAR
- 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
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
DOÇ. DR. TUFAN KUMBASAR
- EMG ve jiroskop verileri ile endüstriyel robot kolunun gerçek zamanlı kontrolü
Real time control of industrial robot arm with EMG and gyroscope data
KENAN ERİN
Yüksek Lisans
Türkçe
2018
Mekatronik MühendisliğiSakarya ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. BARIŞ BORU
- MYO öğrencilerinin 3+1 uygulamalı eğitim modeli çerçevesinde mesleki beklentilerinin incelenmesi 'Sakarya MYO örneği'
The analysis of professional expectations of vocational school students in the scope of 3+1 practical training model 'Vocational School of Sakarya case'
İLKNUR ÇAKAR
Yüksek Lisans
Türkçe
2020
Eğitim ve ÖğretimMaltepe ÜniversitesiHalkla İlişkiler ve Tanıtım Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÜLSELİ AYGÜL ALAN
- MYO-inositol'ün deneysel polikistik over modelinde overlerdeki immunohistokimyasal etkileri
Immunohistochemical effects of MYO-inositol on the experimental polycstic ovary model
İSMAİL DEMİR
Tıpta Uzmanlık
Türkçe
2020
Kadın Hastalıkları ve DoğumSağlık Bilimleri ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
DOÇ. DR. BURAK YÜCEL