Parmak hareketlerinin derin öğrenme ile sınıflanması
Classification of finger movements using deep learning
- Tez No: 933026
- Danışmanlar: DOÇ. DR. YÜCEL KOÇYİĞİT
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Manisa Celal Bayar Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 74
Özet
Bu çalışma, EMG sinyalleri ve derin öğrenme modeli kullanılarak parmak hareketlerinin sınıflandırılmasına odaklanmaktadır. Elektromiyografi sinyalleri, kasların elektriksel aktivitesini kaydeden biyomedikal sinyallerdir ve bu sinyaller analiz ederek, protez uzuvların üretilmesi, koşulların teşhis edilmesi ve hatta protez uzuvların kontrol edilmesi gibi çeşitli alanlarda kullanılır. Bu çalışmada kullanılan veriler, on sağlıklı gönüllüden toplanan verilerdir. Her gönüllü, parmak hareketiyle ilgili yedi görevi gerçekleştirdi ve her görev beş kez tamamlandı; bu, tüm gönüllülerden alınan toplam deney sayısının 350 olduğu anlamına geliyor. Elektromiyografi sinyalleri kullanılarak verileri kaydedildi ve daha sonra bu veriler işlenerek kullanılabilir hale getirildi. Bu çalışmada veriler işlendikten sonra sınıflandırmaya hazır hale getirilmiştir. Öncelikle her bir parmağa ait veriler ayrılınmıştır ve bazı parmağa bir kanaldan fazla ait olduğu için FastICA yöntemi kullanarak bu kanalların verileri teke düşürmüştür. Daha sonra, zaman alanı tanımlayıcıları (TDD), evrişimli sinir ağı (CNN) ve uzun kısa süreli bellek (LSTM) kullanılarak belirli öznitelikler çıkarıldı. Bu öznitelikler çıkarıldıktan sonra sınıflandırma işlemi için en önemli öznitelikler karşılıklı bilgi yöntemi (MI) kullanılarak seçilmiştir. Bu sürecin ardından tam bağlantılı sinir ağı modelinin (FCNN) seçilerek sınıflandırma gerçeklenirmiştir. Modelin etkili bir şekilde öğrenilmesi ve yüksek doğruluk oranlarının elde edilmesi nedeniyle sınıflandırma işlemi başarılı olmuştur. Bu sonuçlar elde edildikten sonra derin öğrenme modellerinin yaşamsal belirtilerin ve EMG sinyallerinin sınıflandırılmasında etkili bir araç olabileceği sonucuna varılabilir. Bu çalışmadan, Derin öğrenme ile sınıflama ve analiz alanlarda etkili katkılar sağlayabileceği sonucuna varılabilir.
Özet (Çeviri)
This study focuses on the classification of finger movements using EMG signals and deep learning model. Electromyography signals are biomedical signals that record the electrical activity of muscles, and these signals are analyzed and used in various fields such as the production of prosthetic limbs, diagnosing conditions, and even controlling prosthetic limbs. The data used in this study is the data collected from ten healthy volunteers. Each volunteer performed seven tasks related to finger movements, and each task was completed five times; this means that the total number of experiments from all volunteers is 350. The data was recorded using electromyography signals, and then these data were processed and made usable. In this study, the data was made ready for classification after being processed. First, the data belonging to each finger was separated, and since more than one channel belonged to some fingers, the FastICA method was used to reduce the data of these channels to one. Then, specific features were extracted using time domain descriptors (TDD), convolutional neural network (CNN), and long short-term memory (LSTM). After extracting these features, the most important features for the classification process were selected using the mutual information method (MI). After this process, the classification was performed by selecting the fully connected neural network model (FCNN). The classification process was successful due to the effective learning of the model and the high accuracy rates. After these results were obtained, it can be concluded that deep learning models can be an effective tool in the classification of vital signs and EMG signals. It can be concluded from this study that deep learning can provide effective contributions to the fields of classification and analysis.
Benzer Tezler
- Yüzey EMG sinyallerinin öznitelik optimizasyonu ve makine öğrenmesi yöntemleri ile sınıflandırılması
Classification of surface EMG signals with feature optimization and machine learning methods
MUHAMMED SAMİ KARAKUL
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİskenderun Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET GÖKÇEN
- Evrişimsel sinir ağları kullanılarak video tabanlı izole işaret dili tanıma
Video-based isolated sign language recognition using convolutional neural networks
ALİ AKDAĞ
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖMER KAAN BAYKAN
- Fog computing architecture for e-textile applications
E-tekstil uygulamaları için sis bilişim mimarisi
KADİR ÖZLEM
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKHAN İNCE
DOÇ. DR. ÖZGÜR ATALAY
- 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
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET ÇINAR
- Sensor-based activity recognition and authentication using deep learning
Derin öğrenme yöntemleri ile sensör tabanlı sistemlerde aktivite ve kimlik tanıma
NİLAY TÜFEK
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ZEHRA ÇATALTEPE