sEMG ve kamera görüntü verileri kullanarak makine öğrenme temelli robotik el kontrolü
Robotic hand control based on machine learning using sEMG and camera image data
- Tez No: 882183
- Danışmanlar: DOÇ. DR. AHMET REŞİT KAVSAOĞLU
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Biyoteknoloji, Elektrik ve Elektronik Mühendisliği, Computer Engineering and Computer Science and Control, Biotechnology, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 90
Özet
Son yıllarda, biyomedikal mühendislik ve robotik alanındaki yenilikler, insan-makine etkileşim sınırlarını genişletmektedir. El parmak hareketlerinin hassas bir şekilde algılanması protez el uygulamaları, oyun endüstrisi, sanal gerçeklik uygulamaları ve rehabilitasyon teknikleri gibi birçok alanda etkili olmaktadır. El hareketlerinin doğru ve eşzamanlı olarak sınıflandırılması, bu teknolojik ilerlemenin önemli bir bileşeni haline gelmektedir. Geleneksel yaklaşımlarda yüzey elektromiyografisi (sEMG) sensörleri ya da görüntü temelli sistemler kullanılarak söz konusu hareketlerin tespit edilmesi sağlanmaktadır. Tez çalışmasında kamera görüntü verileri ve sEMG sensörü ile önkol kaslarından alınan hareket verilerinin eşzamanlı olarak kaydedilmesi, verilerin işlenerek yüksek doğruluk oranı ile hareket sınıflandırması yapılması ve oluşturulan tahmin modeli ile protez el kontrol uygulaması geliştirilmesi amaçlanmaktadır. Literatür taramasında belirlenen benzer hibrit çalışmaların sonuçları %96,43, %80,22, %95, %99,58, %93,4, %97,5, %90,74, %95,5 doğruluk değerlerinde belirtilmektedir. Yapılandırılan veri setine uygulanan veri önişleme işlemleri ile öznitelik çıkarma işlemlerinden sonra Matlab sınıflandırma öğrenicisi (Classification learner) uygulamasında Destek Vektör Makineleri (DVM), k-En Yakın Komşuluk (EYK) ve Yapay Sinir Ağları (YSA) makine öğrenme yöntemleri performans ölçümleri test sonuçları %92,70, %92,26 ve %90,41 olarak bulunmaktadır. Veri ön işleme adımında uygulanan filtreleme işlemi ile bu sonuçların sırasıyla %99,11, %98,55 ve %97,87 test sonuçlarına yükseltildiği ortaya konmaktadır. Tez çalışması ile sEMG sensörleri ve kamera görüntü verileri bir araya getirilerek her iki yöntemin sağladığı avantajlar ile bütünleşik bir yaklaşım oluşturulmaktadır. Bu bütünleşik yaklaşımla yeni bir hibrit yöntem geliştirilerek, el parmak hareketlerinin sınıflandırılması için kullanılan makine öğrenme algoritmalarının yüksek doğrulukta çalışması sağlanmaktadır.
Özet (Çeviri)
In recent years, innovations in biomedical engineering and robotics have expanded the boundaries of human-machine interaction. Precise detection of hand finger movements is effective in many areas such as prosthetic hand applications, gaming industry, virtual reality applications and rehabilitation techniques. Accurate and simultaneous classification of hand movements is becoming an important component of this technological advancement. In traditional approaches, surface electromyography (sEMG) sensors or image-based systems are used to detect these movements. In this thesis, it is aimed to simultaneously record motion data from forearm muscles with camera image data and sEMG sensor, to process the data and classify the motion with high accuracy, and to develop a prosthetic hand control application with the prediction model created. The results of similar hybrid studies determined in the literature review are reported at 96.43%, 80.22%, 95%, 99.58%, 93.4%, 97.5%, 90.74%, 95.5% accuracy values. After the data preprocessing and feature extraction processes applied to the structured data set, the test results of Support Vector Machines (SVM), k-Nearest Neighbourhood (KNN) and Artificial Neural Networks (ANN) machine learning methods performance measurements in the Matlab classification learner application are 92.70%, 92.26% and 90.41%. With the filtering process applied in the data preprocessing step, it is revealed that these results are increased to 99.11%, 98.55% and 97.87% test results, respectively. In this thesis, sEMG sensors and camera image data are brought together and an integrated approach is created with the advantages of both methods. With this integrated approach, a new hybrid method is developed and the machine learning algorithms used for the classification of hand finger movements are provided to work with high accuracy.
Benzer Tezler
- İşitme engelli bireylerle iletişimde IMU ve sEMG sensör verilerini kullanacak bir sistem geliştirilmesi
Development of a system to use IMU and sEMG sensor data in communication with hearing impaired individuals
ÜMİT CAN KUMDERELİ
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTrakya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. İLHAN UMUT
- Kronik inmeli hastalarda robot yardımlı yürüme, vücut ağırlık destekli koşu bandı eğitimi ve konvansiyonel yürüme eğitiminin, yürüme analizi ve yüzeyel elektromiyografi ölçümleri kullanılarak karşılaştırılması
Comparison of robot-assisted gait training, body weight-supported treadmill training, and conventional gait training in patients with chronic stroke using gait analysis and surface electromyography measurements
MERVE ARBAY ÇELTEK
Tıpta Uzmanlık
Türkçe
2025
Fiziksel Tıp ve RehabilitasyonPamukkale ÜniversitesiFiziksel Tıp ve Rehabilitasyon Ana Bilim Dalı
PROF. DR. FÜSUN ARDIÇ
- Diagnosing knee pathology using surface electromyography (SEMG) and artificial neural networks
Yüzey elektromiyografisi (SEMG) ve yapay sinir ağları kullanarak diz patolojisinin teşhisi
JEAN DE DIEU UWISENGEYIMANA
Yüksek Lisans
İngilizce
2017
Elektrik ve Elektronik MühendisliğiÇukurova ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. TURGAY İBRİKÇİ
- Ortognatik cerrahi hastalarında nüksün elektromyografi ve hareket analizi yöntemi ile incelenmesi
Investigation of relapse in class iii orthognathic surgery patients by surface electromography and motion analysis method
EDA HOŞGÖR YORGANCIOĞLU
- İnsan eli hareketlerinin derin öğrenme ile sınıflandırılması
Classification of human hand movements with deep learning
MÜSLÜM YILDIZBAKAN
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÜsküdar ÜniversitesiYapay Zeka Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NURİ BİNGÖL