Değişken Kuvvetli EMG Sinyallerinin Çok Değişkenli Görgül Kip Ayrışımı ile Analizi ve Sınıflandırılması
- 1 September 2020
- journal article
- research article
- Published by Marmara University in International Journal of Advances in Engineering and Pure Sciences
- Vol. 32 (3) , 229-238
Abstract
Elektromiyografi (EMG) sinyalleri, insan-makine etkileşimli akıllı el protezlerinin kontrolünde önemli bir rol oynamaktadır. Kas aktivesinin bir sonucu olarak ortaya çıkan EMG sinyalleri, yapılan aktiviteye dair özel bilgileri kendi içerisinde ihtiva etmektedir. Dolayısıyla akıllı el protezlerinin işlevselliğinin arttırılması, kas bölgesinden toplanan EMG sinyalinin doğru bir şekilde analiz edilip yorumlanmasına önemli ölçüde bağlıdır. Bu konsepte uygun olarak, akıllı el protezi hareketlerinin karar verme sürecinde, EMG sinyallerinin güvenilir bir şekilde kullanılabilmesi için, var olan yöntemlerin geliştirilmesi ya da bu yöntemlere üstünlük sağlayacak yeni yöntemler önerilmesi gerekmektedir. Bu çalışma kapsamında, çok kanallı EMG sinyallerinin analizinin geliştirilmesi amacıyla, çok değişkenli görgül kip ayrışımı (ÇDGKA) tabanlı öznitelik çıkarma yöntemi, geleneksel metotlara alternatif olarak sunulmuştur. Sinyali adaptif olarak salınım modlarına ayıran ÇDGKA yöntemi kullanılarak, EMG sinyalinden daha anlamlı bilgi edinilmesi amaçlanmıştır. ÇDGKA tabanlı özniteliklerin farklı el ve parmak hareketlerini ayırt etme performansı ve farklı kuvvet seviyelerine karşı gösterdiği performans incelenmiştir. Bu amaçla ampute katılımcıların artık uzuvlarından toplanan düşük, orta ve yüksek kuvvet seviyelerine ait EMG sinyalleri üzerinde ÇDGKA yöntemi uygulanarak özgül kip fonksiyonları (ÖKF) elde edilmiştir. Elde edilen ÖKF’lerden çıkarılan öznitelikler kullanılarak altı farklı el ve parmak hareketi, en yakın komşu (k-NN), doğrusal ayrım analizi (LDA) ve destek vektör makinesi (SVM) sınıflandırıcıları kullanılarak sınıflandırılmıştır. Aynı kuvvet seviyesinde eğitilip test edilerek (Senaryo 1) ve tüm kuvvet seviyelerinde eğitilip tek bir kuvvet seviyesinde test edilerek (Senaryo 2) gerçekleştirilen sınıflandırmalar neticesinde, önerilen ÇDGKA tabanlı özniteliklerin ham sinyal tabanlı özniteliklere göre, senaryo 1 için %10 - %15, senaryo 2 için %18’e kadar üstünlük sağladığı belirlenmiştir.Keywords
Funding Information
- Bursa Teknik Üniversitesi Bilimsel Araştırma Projeleri (182L21)
This publication has 12 references indexed in Scilit:
- Improving the Performance Against Force Variation of EMG Controlled Multifunctional Upper-Limb Prostheses for Transradial AmputeesIEEE Transactions on Neural Systems and Rehabilitation Engineering, 2015
- Current state of digital signal processing in myoelectric interfaces and related applicationsBiomedical Signal Processing and Control, 2015
- Surface EMG signal analysis based on the empirical mode decomposition for human-robot interaction2013
- Improving EMG based classification of basic hand movements using EMD2013
- Filtering the surface EMG signal: Movement artifact and baseline noise contaminationJournal of Biomechanics, 2010
- Multivariate empirical mode decompositionProceedings of the Royal Society A: Mathematical, Physical and Engineering Sciences, 2009
- A Comparison of Surface and Intramuscular Myoelectric Signal ClassificationIEEE Transactions on Biomedical Engineering, 2007
- Rectification and non-linear pre-processing of EMG signals for cortico-muscular analysisJournal of Neuroscience Methods, 2003
- EOG guidance of a wheelchair using neural networks2002
- The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysisProceedings of the Royal Society A: Mathematical, Physical and Engineering Sciences, 1998