Myoelectric pattern recognition for activities of daily living: a neural network classification approach
Tez günlük yaşam aktıvıtelerı ıçın mıyoelektrık tanıma: Bır sınır ağı sınıflandırma yaklaşım
- Tez No: 981546
- Danışmanlar: DR. ÖĞR. ÜYESİ BORA BÜYÜKSARAÇ
- Tez Türü: Yüksek Lisans
- Konular: Biyomühendislik, Bioengineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma, sezgisel miyoelektrik protez kontrolü için yüzey elektromiyografisi (sEMG) sinyallerinden günlük yaşam aktivitelerinin (ADL'ler) sınıflandırılması zorluğunu ele almaktadır. Önceki araştırmaların aksine, bu çalışma basit hareketler yerine 20 fonksiyonel ADL'nin sınıflandırılmasına odaklanmaktadır. 30 katılımcıdan alınan senkronize IMU verileri ve sekiz stratejik önkol kasından kaydedilen sEMG verilerini kapsayan kapsamlı bir veri seti oluşturulmuştur. Zaman-domain, frekans-domain ve zaman-frekans özelliklerini içeren gelişmiş sinyal işleme ve özellik mühendisliği uygulanmıştır. BiLSTM (Bidirectional Long Short-Term Memory) sinir ağı, EMG verilerindeki sıralı, uzun vadeli ve çift yönlü zamansal dinamikleri yakalama yeteneği nedeniyle geliştirilmiştir. BiLSTM modeli, %94.03'lük yüksek bir genel test doğruluğu, yaklaşık %0.94'lük ağırlıklı ortalama hassasiyet, geri çağırma ve F1-skoru ile SVM ve KNN gibi geleneksel modelleri önemli ölçüde geride bırakmıştır. Bu araştırma, fonksiyonel aktiviteler sırasındaki karmaşık kas aktivasyon örüntülerini etkili bir şekilde çözerek daha doğal ve duyarlı protez kontrol sistemlerinin geliştirilmesi için sağlam bir temel sunmaktadır.
Özet (Çeviri)
This study addresses the challenge of classifying human Activities of Daily Living (ADLs) from sEMG signals for intuitive prosthetic control, moving beyond simple gesture recognition. A comprehensive dataset of 20 tasks replicating daily activities was created using sEMG from eight forearm muscles and synchronized IMU data from 30 participants. Advanced signal processing and feature engineering, including temporal, frequency, and time-frequency features, were applied. A Bidirectional Long Short-Term Memory (BiLSTM) neural network was developed, chosen for its ability to capture sequential, long-term, and bidirectional temporal dynamics in EMG data. The BiLSTM model achieved a high overall test accuracy of 94.03%, with weighted average precision, recall, and F1-scores around 0.94, significantly outperforming traditional SVM and KNN models. This research provides a robust foundation for developing more natural and responsive prosthetic control systems by effectively decoding complex muscle activation patterns during functional activities.
Benzer Tezler
- İnsan alt ekstremitesinin incelenmesi ve aktif dizüstü protezi tasarımı
The analysis of the human lower limb structure and the design of a new active above knee prosthesis
AKIN OĞUZ KAPTI
- EMG işaretlerinin özniteliklerinin çıkarılması, kNN ve YSA yöntemleri ile sınıflandırılması
Classification of the EMG signal using neural network pattern recognition and kNN algorithm
ÇAĞRI ÇERÇİ
Yüksek Lisans
Türkçe
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN TEMELTAŞ
- El hareketlerinin elektromyogram sinyalleri ve yardımcı sensör verileri ile sınıflandırılması
Classification of hand movements via electromyogram and auxiliary sensor data
SİNAN YAĞCIOĞLU
Yüksek Lisans
Türkçe
2016
Biyomühendislikİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. İLKER BAYRAM
- 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
2014
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKaradeniz Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUSTAFA ULUTAŞ
- Neural network-based adaptive myoelectric signal classification via utilization of entropy history
Entropi geçmişinden yararlanarak sinir ağı temelli uyarlanabilir miyoelektrik işaret sınıflandırması
KÜBRA NAZLIHAN IŞIK
Yüksek Lisans
İngilizce
2017
Mühendislik Bilimleriİstanbul Medipol ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. MEHMET KOCATÜRK