BBu çalışmada, elektromiyogram (EMG) işaretleri kullanılarak avuç açma/kapama hareketinin sınıflandırılması ile birlikte extensör ve flexör tendonların sınıflandırmadaki etkileri araştırılmıştır. Gelişen teknoloji ile birlikte, akıllı protez el ihtiyacı hızla artmaktadır. Bu amaçla ön kolun ön ve arka kısımlarından yüzey elektrotlarla toplam 32 kişiden ölçülen EMG işaretleri zaman frekans teknikleri ile analiz edilerek avuç aç/kapa hareketinin sınıflandırılması farklı sınıflandırıcılar ile gerçekleştirilmiştir. Ayrıca her bir kanaldan ve eş zamanlı elde edilen EMG işaretlerin sınıflandırma üzerindeki başarımları gösterilerek karşılaştırılmıştır. Kısa süreli Fourier dönüşümünün yetersiz kaldığı EMG gibi durağan olmayan işaretlerin analizi için ayrık dalgacık dönüşümünün (ADD) kullanılması iyi bir çözümdür. ADD ile alt bantlarına ayrıştırılan işaretler yüksek frekanslarda yüksek zaman çözünürlüğü, düşük frekans çözünürlüğü ve düşük frekanslarda yüksek frekans çözünürlüğü, düşük zaman çözünürlüğü sağlar. ADD analizi sonucu öznitelikler elde edilerek bu özellikler farklı sınıflandırıcıların eğitim ve testi için kullanıldı. Bütün veriler 10 kat çapraz doğrulama tekniği ile sınıflandırıcıların hem eğitim hem de test aşamalarında kullanılmıştır. Kullanılan sınıflandırıcılardan en iyi sonuç aşırı öğrenme makineleri (ELM) ile %97.25 olarak elde edildi. Yapılan bu çalışma ile biyomedikal alanında yükselen teknoloji ile birlikte akıllı protez el yapımının geliştirilmesine katkı sağlanacağı düşünülmektedir.
In this study, the effects of the classification of extender and flexor tendons, along with the classification of the hand opening/closing movement using the electromyogram (EMG) signs, were studied. With the advanced technology, the need for smart prothesis hands is rapidly increasing. For this purpose, the EMG signs, measured from a total of 32 persons by surface electrots from the front and rear parts of the front arm, were analyzed by time frequency techniques and the classification of the open/cover movement was carried out by different classifiers. It is also compared by showing the achievements on the classification of EMG signs obtained from each channel and at the same time. The use of separate wave conversion (ADD) for the analysis of non-stop signs such as EMG, where the short-term Fourier conversion remains insufficient, is a good solution. Signals divided into the subband with ADD provide high time resolution in high frequencies, low frequency resolution and high frequency resolution in low frequencies, low time resolution. The results of the ADD analysis were obtained with specialties, and these characteristics were used for the training and testing of different classifiers. All the data were used in both training and testing stages of classifiers with 10fold cross-verification technique. The best outcome from the classifiers used was 97.25% with overlearning machines (ELM). This study is expected to contribute to the development of smart prothesis handmade, along with the up-to-date technology in the biomedical field.
Alan : Mühendislik
Dergi Türü : Ulusal
Benzer Makaleler | Yazar | # |
---|
Makale | Yazar | # |
---|