Akıllı el protez kontrolü karar verme performansına elektromiyografi sinyallerinin çok değişkenli görgül kip ayrışımı ile analizinin etkileri

Abstract

Elektromiyografi (EMG) sinyalleri, insan-makine etkileşimli çok fonksiyonlu 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 tez çalışması kapsamında, çok kanallı EMG sinyallerinin analizinin geliştirilmesi amacıyla, çok değişkenli görgül kip ayrışımı (ÇDGKA) tabanlı öznitelik çıkarma yöntemi, geleneksel metodlara 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 sekiz kanallı yüzey elektromiyografi (sEMG) 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. Kullanıcı-bağımlı, kullanıcı-bağımsız ve hem kullanıcı hem de kuvvetten bağımsız sınıflandırlamalar neticesinde, önerilen ÇDGKA tabanlı özniteliklerin ham sinyal tabanlı özniteliklere göre kullanıcı-bağımlı için %1, kullanıcı-bağımsız için %15 - %20, kullanıcı ve kuvvet bağımsız için %15'e kadar üstünlük sağladığı belirlenmiştir. Uygun el protezi üretilerek, kayıtlı EMG sinyallerinden hangi el hareketinin yapılmak istendiği tespit edilerek, protezin bilgisayar destekli kontrolü gerçekleştirilmiştir.

Electromyography (EMG) signals play an important role in the control of human-machine interfaced multifunctional smart hand prostheses. The EMG signals emerged as a result of muscle activity contain specific information about the activity. Therefore, enhancing the functionality of intelligent hand prostheses significantly depends on the precise analysis and interpretation of the EMG signals that are collected from the muscle region. In accordance with this concept, in order to use EMG signals reliably in the decision-making process of smart hand prosthesis movements, it is necessary to improve present methods or to propose new methods to be superior to these methods. In this thesis, multivariate empirical decomposition (MEMD) based feature extraction method is presented as an alternative to traditional methods to improve the analysis of multichannel EMG signals. It is aimed to obtain more meaningful information from EMG signals by using the MEMD method which separates the signal into adaptive oscillation modes. The performance of discriminating hand and finger movements at different force levels of the MEMD based features was investigated. For this purpose, intrinsic mode functions (IMF) were obtained by using the MEMD method on eight-channel surface electromyography signals of low, medium and high force levels collected from the amputated participants. The features which are extracted from IMFs, classified by k nearest neighbours (k-NN), linear discriminant analysis (LDA) and support vector machines (SVM) to discriminate six hand and finger movements. User-dependent, user-independent, both user and force-independent classification operations were performed. The proposed MEMD based features have provided 1% for user-dependent classification, 15% -20% for user-independent and 15% for both user and force-independent more accuracy than raw signal-based features. A suitable prosthetic hand has been produced in order to control and simulate the computer-aided prosthetic hand by using EMG signals.