Duchenne kas distrofisi hastalarının kullandığı dış iskelet denetim mekanizması için hareket niyeti tanıma algoritması tasarımı
Design of motion intention recognition algorithm for the control mechanism of the exoskeleton used by duchenne muscular dystrophy patients
- Tez No: 986379
- Danışmanlar: PROF. DR. ATİLA YILMAZ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tezde, Duchenne Kas Distrofisi (DMD) hastaları için dış iskelet destekli telerehabilitasyon sistemlerinde kullanılmak üzere bir hareket niyeti tanıma algoritması geliştirilmiştir. DMD, ilerleyici yapısı nedeniyle üst ekstremite fonksiyonlarını ciddi biçimde kısıtlamakta ve hastaların bağımsızlığını azaltmaktadır. Bu nedenle rehabilitasyon süreçlerinde kullanıcı niyetinin erken ve güvenilir şekilde tanınması, dış iskelet sistemlerinin gerçek zamanlı uyumu açısından kritik öneme sahiptir. Çalışmada üç temel üst ekstremite egzersizi (eli ağza götürme, başa götürme ve kolu yana açma) esas alınmıştır. Elektromiyografi (EMG), ataletsel ölçüm birimleri (IMU) ve kuvvet duyarlı direnç (FSR) duyargalarından elde edilen biyosinyaller ön işleme tabi tutulmuş, öznitelikler çıkarılmış ve farklı yöntemlerle değerlendirilmiştir. Öncelikle deterministik FSM kullanılarak temel durum tanıma mekanizması oluşturulmuştur. Ardından Gaussian FSM ve HMM gibi olasılıksal yöntemler, daha sonra ise TDNN, LSTM ve ikili sınıflandırma modelleri gibi derin öğrenme yaklaşımları uygulanmıştır. Sonuçlar, yöntemler arasında anlamlı farklar ortaya koymuştur. En yüksek doğruluk, her durum için ayrı ikili sınıflandırıcı kurulup FSM öncelikleriyle birleştirilen yapıda elde edilmiştir. LSTM zamansal bağımlılıkları yakalama başarısıyla ikinci sırada yer almış, HMM gürültülü verilerde dayanıklılık göstermiştir. TDNN sınırlı performans sunarken, Gaussian FSM esneklik sağlamış ancak genelleme gücü düşük kalmıştır. Açıklanabilirliği yüksek olan eşik tabanlı FSM ise en düşük başarıyı göstermiştir. Bu çalışma, hareketin türünü değil aynı zamanda durumlarını da dikkate alan bütünleşik bir niyet tanıma yaklaşımı sunmaktadır.
Özet (Çeviri)
This thesis presents the development of a movement intention recognition algorithm for exoskeleton-assisted telerehabilitation targeting Duchenne Muscular Dystrophy (DMD) patients. DMD is a progressive neuromuscular disease that severely limits upper-limb functions, reducing patients' independence. Early and reliable recognition of user intention is therefore critical for the real-time adaptation of exoskeleton systems. The study focuses on three upper-limb exercises: hand-to-mouth, hand-to-head, and lateral arm raise. Biosignals were collected from surface electromyography (EMG), inertial measurement units (IMU), and force-sensitive resistors (FSR). After preprocessing and feature extraction, multiple modelling approaches were implemented and compared. Deterministic Finite State Machines (FSM) were first used to design a baseline state recognition mechanism. Then, probabilistic extensions such as Gaussian FSM and Hidden Markov Models (HMM) were evaluated to handle uncertainty. Finally, machine and deep learning methods including Time-Delay Neural Networks (TDNN), Long Short-Term Memory networks (LSTM), and binary classification models were applied. Results revealed clear performance differences. The highest accuracy was obtained from a hybrid structure combining state-wise binary classifiers with FSM priority rules. LSTM ranked second by effectively capturing temporal dependencies, while HMM demonstrated robustness in noisy signals. TDNN showed moderate performance, Gaussian FSM provided flexibility but poor generalization, and threshold-based FSM yielded the lowest accuracy despite its interpretability. The main contribution of this work is a unified state-based intention recognition framework integrating deterministic, probabilistic, and AI-driven methods. Unlike conventional studies focused only on motion type classification, this approach enables phase-level recognition, supporting faster and more adaptive exoskeleton control in telerehabilitation of DMD patients.
Benzer Tezler
- Kantitatif floresan polimeraz zincir reaksiyonu yöntemi ile duchenne kas distrofisi taşıyıcılarının saptanması
Detection of duchene muscular dystrophy carriers with quantitative fluorescent polymerase chain reaction
AYSEGÜL ÇINAR KUŞKUCU
- Duchenne tipi kas distrofisi (DMD) / Becker tipi kas distrofisi (BMD) hastalarında genotip fenotip ilişkisi
Type of duchenne muscular dystrophy (DMD) / Becker muscular dystrophy (BMD) in patients with genotype phenotype
ADEM KOCAMAN
Yüksek Lisans
Türkçe
2011
Genetikİstanbul ÜniversitesiGenetik Ana Bilim Dalı
PROF. DR. NİHAN EGİNEL ÜNALTUNA
- Western blot yöntemi ile müsküler distrofi proteinlerinin tanımlanması
Western blotting for the description of muscular dystrophy proteins
EDA BECER
Yüksek Lisans
Türkçe
2008
Genetikİstanbul ÜniversitesiGenetik Ana Bilim Dalı
PROF. DR. NİHAN ERGİNEL-ÜNALTUNA
- 12-60 ay arası duchenne musküler distrofi'li çocuklarda erken gelişim evreleri envanteri ile gelişimin değerlendirilmesi
Evaluation of development with ages and stages questionnarie in children with duchenne muscular dystrophy aged 12-60 months
MUZAFFER ENES PEHLİVAN
Tıpta Uzmanlık
Türkçe
2024
Çocuk Sağlığı ve HastalıklarıYeditepe ÜniversitesiÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
PROF. DR. HALUK AYDIN TOPALOĞLU
- Investigating the role of oncostatin M in cachexia-associated muscle wasting
Kaşeksi ile ilişkili kas kaybında oncostatin M'nin rolünün araştırılması
AYLİN DOMANİKU WARAICH
Doktora
İngilizce
2024
BiyolojiKoç ÜniversitesiMoleküler Biyoloji ve Genetik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERKAN KIR