Detection of distinguishing features using selection methods for robot-assisted rehabilitation system, rehabroby

Abstract

Görev katılımı, hastaların rehabilitasyon programlarına katılımlarının sürdürülmesinde önemlibir faktördür. Uygun zorlayıcı bir rehabilitasyon görevi denekleri motive edebilir vedenekler için maksimum katılım sağlayabilir. Bu nedenle, görev zorluğunun rehabilitasyongörevlerinden iyi performans elde etmek için uygun bir zorlukta olması arzu edilmektedir. Uygun zorluk seviyesini bulmak için, kişinin duygularını tespit etmek (denek ya sıkılıyor yada zorlanıyordur) ve daha sonra rehabilitasyon görevini, deneğin duygularını dikkate alarakyeteneklerine daha iyi uyacak şekilde modifiye etmek önemlidir. Bu tezde, kişinin duygularınıtespit etmek için Kan Hacmi Darbesi (BVP), Deri İletkenliği (SC), ve Deri Sıcaklığı (ST)olmak üzere gibi üç biyogeribildirim algılayıcı kullanıldı. Kullanılan biyogeribildirimalgılayıcılar yardımıyla fizyolojik sinyallerden deneklerin duygularını doğru bir şekilde tespitetmek için ayırt edici özniteliklerin hangileri olduğunu bilmekde oldukça önemlidir. Bu tezde,ardışık ileri seçim ve tek yönlü ANOVA öznitelik çıkarım yöntemleri kullanılarak fizyolojiksinyallerden ayırt edici öznitelikler tespit edildi.

Task involvement is a key factor in sustaining subjects' participation in rehabilitation programs.An appropriate challenging rehabilitation task can increase engagement of the subjects. Inthis way, it is desirable that task difficulty must be suitably challenging to acquire greatperformance from rehabilitation tasks. In order to find the appropriate challenging level foreach subject, it is important to detect the subject's feelings (he/she is either getting to benoticeably exhausted or disappointed), and after that to change the rehabilitation task to bettersuit the subjects capacities by considering their feelings. In this thesis, three main biofeedbacksensors Blood Volume Pulse (BVP), Skin Conductance (SC), and Skin Temperature (ST)are used to detect the feelings of the subjects when they use a robot-assisted rehabilitationsystem called RehabRoby. It is also important to know which features are distinctive toproperly detect the feelings of the subjects from the physiological signals acquired by thesebiofeedback sensors. In this thesis, we explore the distinctive features from physiologicalsignals using both sequential forward selection (SFS) and ANOVA feature extraction methods.