Benzer el hareketlerinin EMG sinyalleri kullanılarak sınıflandırılması

Abstract

Rehabilitasyon cihazlarını destekleyen robotik sistemler son yıllarda oldukça gelişmiştir. El fonksiyonunu karşılayan robotik protezlerin de sürekli iyileşme arzusu nedeniyle bir kaza geçirdikten sonra elin kaybedilmesi, kas-sinir rahatsızlıkları ile bağlantılı fonksiyonunun kısmen ya da tamamen yitirilmesi, iskelet cihazlarının geliştirilmesinde büyük rol oynamıştır. Yüzey elektromiyografi (sEMG) sinyallerinin kullanıldığı bu tür bir cihazlar, sağlıklı elin hareketlerini belirlemeye ve hasar görmüş eli yeniden fonksiyonel bir hale getirmeye yardımcı olabilmektedir. EMG sinyalleri ile protez kontrolünün gerçekleşebilmesi için sinyallerin özelliklerinin iyi bilinmesi gerekir. Bu özellikler sayesinde el hareketlerinin sınıflandırılması mümkün hale gelir. El hareketlerinin tanınması genellikle, bireysel hareket verilerini içeren jestsel örneklerin olduğu bir model sınıflandırma problemidir. Bu tez çalışmasında Myo TM Armbandı (Akıllı Kol Bant) tarafından elde edilmiş olan, yüzey elektromiyografik sinyallerinin benzer hareketleri ayırt etmede sınıflandırılması amaçlanmaktadır. Bu çalışmada kullandığım 225 katılımcıdan alınan ve benzer el hareketi yapılmış olan açık kaynak EMG veri setini, öncelikle ön işleme adımlarından geçirildikten sonra, özellik çıkarımı adımları gerçekleştirilmiştir. Çıkarılan Dalga Biçimi Uzunluğu (WL), Ortalama Mutlak Değer (MAV), Ortalama Kök Kareler (RMS), Basıklık (Kutozis), Sıfır Geçiş (ZC), Willison Amplitude (WAMP), Eğim İşareti Değişiklikleri (SSC), Entropi (H), Otoregresif model (AR), Varyans (VAR) özellikleri sınıflandırıcıya girdi olarak verilmiştir. Sınıflandırıcı olarak sırasıyla Karar ağaçları (Decision Trees), Destek vektör makineleri (SVM), Toplu Öğrenme (Ensemble learning), yakın K- en komşu algoritmaları (k-NN) denenmiş olup; bu algoritmalar içinde doğruluk başarısı diğer algoritmalara oranla %87.6 olarak en yüksek k- en yakın komşu algoritması ile elde edilmiştir. Böylece literatürde mevcut olan el hareketlerini ayrıştırma çalışmalarına kıyasla benzer el hareketlerinden elde edilen bu sinyallerle değerlendirilebilir bir başarı oranına ulaşılmıştır.

Robot- assisted rehabilitation devices have developed considerably in recent years. Partial or complete loss of function associated with muscle-nerve disorders or loss of the hand after an accident played a major role in the development of robotic control devices or prosthetics. Such devices, using surface electromyography (sEMG) signals, can help identify the movements of the healthy hand and re-functionalize the impaired hand. In order to control the prosthesis with EMG signals, the characteristics of the signals must be well known. Thanks to these signal features, it becomes possible to classify hand movements. Recognition of hand gestures is generally a model classification problem with gestural samples containing individual and distinct movement data. In this thesis, a new algorithm is presented for the classification of surface electromyographic signals obtained by the Myo TM Armband. After preprocessing the EMG data obtained from experiments based on 4 different hand movements with 225 participants, feature extraction steps were performed. Extracted Waveform Length (WL), Mean Absolute Value (MAV), Mean Root Squares (RMS), Kurtosis (Cutosis), Zero Crossing (ZC), Willison Amplitude (WAMP), Slope Sign Changes (SSC), Entropy (H) , Autoregressive model (AR), Variance (VAR) features are given as input to the classifier. Decision trees (Decision Trees), Support vector machines (SVM), Ensemble learning, close k-nearest neighbors algorithms (k-NN) were tried respectively as classifiers; The highest accuracy rate of 87.6% was obtained with the k-NN algorithm. Thus, a very high success rate has been achieved with these signals obtained from movements that are very close to each other compared to the hand gesture recognition studies available in the literature.