Geri Dön

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

  1. Tez No: 841407
  2. Yazar: LÜTFİYE SARIPINAR
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ONAN GÜREN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilim ve Teknoloji, Mühendislik Bilimleri, Science and Technology, Engineering Sciences
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: İzmir Katip Çelebi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 69

Özet

El hareketi tanıma, insan-bilgisayar etkileşimi için anlamlı el hareketlerinin sınıflandırılmasına yönelik bir prosedürdür. Yüzey elektromiyografisi (sEMG), amaçlanan hareketlerle ilgili içsel bilgileri taşıdığı için el hareketi sınıflandırma çalışmalarında sıklıkla kullanılmaktadır. Bu tez çalışmasında, zaman-frekans (TF) matrislerinden çıkarılan özellikler ile TF matrislerinden Negatif Olmayan Matris Çarpanlarına Ayırma (NMF) yöntemiyle çıkarılan özelliklerin sınıflandırma başarısının karşılaştırılması sunulmaktadır. TF matrislerini elde etmek için 4 kanallı sEMG sinyaline Çok Değişkenli Senkron Sıkıştırma Dönüşümü (MSST) uygulandı. Çalışma on el hareketini gerçekleştiren kırk deneğin yüzey EMG (sEMG) sinyallerini içeren halka açık veri seti ile gerçekleştirildi. Çalışmada dört ortak TF momenti; TF matrisinin ortalaması, varyansı, çarpıklığı, basıklığı ve NMF methodu ile çıkarılan basıklık, çarpıklık, standart sapma, süreksizlik ve seyreklik el hareketi tanıma da kullanılmak üzere öznitelik olarak önerilmiştir. Test edilen jestlere ait özellik değişkenlerinin ayırt edici gücü Kruskal-Wallis (KW) testinden elde edilen p değerlerine göre değerlendirilmiştir.El hareketlerine ait sEMG sinyallerini ayırt etmede ortalama, varyans ve çarpıklık özelliklerinin istatistiksel olarak anlamlı olduğu, basıklığın ise daha az önemli olduğu belirlendi. NMF tabanlı özellikler incelendiği zaman el hareketlerinin sınıflandırılmasında istatiksel olarak en anlamlı özelliğin süreksizlik olduğu tespi edildi. Çalışmanın son bölümünde istatistiksel analizlerin sınıflandırma başarısına etkisini belirlemek amacıyla Makine Öğrenmesi (ML) tabanlı sınıflandırma algoritmaları uygulanmıştır. Sınıflandırma sonuçlarına bakıldığında NMF methodu ile çıkarılan özniteliklerin TF momentlerine göre daha yüksek sınıflandırma doğruluğu elde ettiği görülmektedir. Bununla birlikte, elde edilen sınıflandırma performansının hala iyileştirilmesi gerekmektedir. EMG tabanlı el hareketi sınıflandırmasına etkileri araştırılan MSST matrislerinden elde edilen farklı özelliklerin, farklı özellik kombinasyonları veya modelleri kullanılarak geliştirilebileceği görülmektedir. Bu sonuçlar doğrultusunda ileri araştırmalarla MSST tabanlı özelliklerin el hareketi sınıflandırmasına alternatif olabileceği öngörülmektedir.

Özet (Çeviri)

Hand gesture recognition is a procedure for the classification of meaningful hand gestures for human-computer interaction. Surface electromyography (sEMG) is frequently used in hand gesture classification studies as it carries intrinsic information related to intended gestures. This thesis study presents the comparison of classification success of features extracted from TF matrices and features extracted from TF matrices by the NMF method. TF matrices were obtained by applying MSST to 250 ms four-channel sEMG signals. A publicly available dataset containing surface EMG (sEMG) signals of 40 subjects performing 10 hand gestures, was used. In this study, the four joint time-frequency (TF) moments; mean, variance, skewness, and kurtosis of TF matrix and non-negative matrix factorization (NMF)- based features, which are kurtosis, skewness, standard deviation, sparsity and discontinuity, were proposed as features for hand gesture recognition. The distinguishing power of the feature variables for the tested gestures was evaluated according to their p values obtained from the Kruskal-Wallis (KW) test. It was founded that mean, variance, and skewness properties were statistically significant, while kurtosis was less important for the discrimination of hand sEMG signals of hand gestures. In terms of NMF-based features, discontinuity with the smallest p-value found as the most significant feature for the classification of studied hand gestures. In the last part of the study, machine learning-based classification algorithms are applied to determine the effect of statistical analysis on classification success. Many ML-based classification methods, including SVM, NB and ANN, have been used for the determination of classification success in hand gesture recognition of the two feature sets. Looking at the classification results, NMF-based features achieved higher classification accuracy than TF moments. However, the obtained classification performance still needs improvement. For this reason, it is seen that different features obtained from MSST matrices, whose effects on EMG-based hand gesture classification are investigated in this thesis, can be developed by using different feature combinations or models. In line with these results, it is predicted that MSST-based features may be an alternative to hand movement classification with further research.

Benzer Tezler

  1. ARM tabanlı gömülü sistemlerde kulak tanıma sisteminin gerçeklenmesi

    Realizing of ear recognition system with arm based on embedded system

    ÜMİT KAÇAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2013

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MÜRVET KIRCI

  2. 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

    İngilizce

    2023

    Bilim ve Teknolojiİzmir Katip Çelebi Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ONAN GÜREN

    PROF. DR. AYDIN AKAN

  3. Evaluation of popular features and entropy as a new feature for hand gesture classification by electromyography signals

    Elektromiyografi sinyalleri ile el jest sınıflandırılmasında populer özniteliklerin ve yeni bir öz nitelik olarak entropinin değerlendirilmesi

    AYBER ERAY ALGÜNER

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Mekatronik MühendisliğiÇankaya Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. HALİT ERGEZER

  4. Elektromiyogram sinyallerinin sınıflandırılması ve bağımsız bileşen analizi ile işlenmesi

    Classification of electromyogram signals and processing with independent component analysis

    ULVİ BAŞPINAR

    Doktora

    Türkçe

    Türkçe

    2014

    BiyomühendislikMarmara Üniversitesi

    Elektronik-Bilgisayar Eğitimi Ana Bilim Dalı

    PROF. DR. HÜSEYİN SELÇUK VAROL

  5. 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

    MUHAMMED ERDİM

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Elektrik ve Elektronik MühendisliğiOndokuz Mayıs Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ CENGİZ TEPE