Çok fonksiyonlu protezler için yapay sinir ağları kullanılarak miyoelektrik kontrol

Abstract

ÖZET özellikle dirsek üstünden kolunu kaybedenler için kullanılan çok fonksiyonlu protezlerin kontrolü, bir çift yüzey elektrodundan alınan miyoelektrik işaretler kullanılarak yapılabilir. Kontrol stratejisi, herbiıi için aynı olan ve tekrarlanabilen kas kasılına, karakterleri setinin meydana getirdiği miyoelektrik işaretlerden kolaylıkla çıkarılan karakteristik parametrelerle olur. Bu parametreler kullanılarak farklı kas kasılma karaktarlerini sınıflara ayırmak mümkündür. Kas kasılmadı sınıflarının herbiri protez cihazının özel fonksiyonunu tetiklemek için kullanılır. Yapay sinîr ağı uygulaması miyoelektrik işaret analizlerini yerine getirmek için uygulanır. Bu araştırmanın amacı, çok açılı serbestiyete sahip kolun kontrolünü sağlayan daha çok güvenilir metodlan incelemektir. Miyoelektrik işaretleri sınıflandırmak için üç katman içeren bir çok katmanlı perceptron özbağlammlı ( AR: Auto Regressive ) model parametreleri ve işaret gücü özellikler olarak kullanılır. Bu özellikler kullanılarak, perception altı ayn kol fonksiyonları arasındaki farkı ayırdetmek için eğitilir. Perceptron sınıflandıncısı tarafından kullanılan iki-boyutlu karar sınırlan tesbit edilir. Bu adaptif nitelik, perceptronlann gelecekteki miyoelektrik işaret analizleri için faydalı bir araç sağlayabilir. Bu çalışmada, farklı hareketler ( dirsek açma, dirsek kapama, bilek bükme, bilek döndürme, kavrama ve dinlenme ) gözönflne alınmıştır ve bu fonksiyonlar 3000 iterasyon için % 96.11ik basarı oranında ayırriedilmiştir.

SUMMARY The Control of multi functions prostheses can be accomplished using a myoelectric signal taken from a single pair of surface elektrodes. This has been demonstrated specifically in the case of prostheses for use by above elbow amputees. The control strategy in such situations is to have the user /subject generate a set of repeatable muscle contraction patterns, each having similar characteristic parameters that can be easily extracted from the myoelectric signal. By using these parameters, it is possible to segregate different muscle contraction patterns into classes. Each class of muscle contraction is used to trigger a particular function in the prosthetic device. A Neural Network implementation is applied to myoelectric signal analysis tasks. The motivation behind this research is to explore more reliable methods of deriving control for multidegree of freedom arm prostheses. A Multi Layer Perceptrons (MLP) implementation involves using a three-layer perceptron for classifying myoelectric signals. Auto regressive (AR) model parameters and the signal power are used as features. Using these features, the perceptron is trained to distinguish between six separate arm functions. The two-dimensional decision boundaries used by the perceptron classifier are deliated. This adaptive quality suggests that perceptrons may provide a useful tool for future MES analysis. In this study, different movements (elbow extension, elbow flexion, wrist supination, wrist pronation, grasp and relextion) are considered and these functions are discriminated with total success rate of 96. 1% for 3000 iterations.