Biyonik el kontrolü için EMG işaretlerininin makine öğrenmesi yöntemiyle sınıflandırılması

Abstract

Günümüzde kullanılmakta olan çok işlevli protez-biyonik kolların hareket yeteneği birkaç hareketle sınırlıdır. Protez-biyonik ellerin işlevselliğini arttırmak için araştırmacılar üç farklı koldan çalışmaktadır. Bunlar mekanik aksamın tasarımını geliştirip sistemin serbestlik derecesini arttırırak hareket yeteneğinin iyileştirilmesi, elektronik aksamın geliştirilerek istenilen rotasyonda ve hızda hareket etmesinin sağlanması ve kaynak işaretleri olan EMG sinyallerinin analiz edilmesi olarak ifade edilebilir. Sinyallerin hedef hareketi temsil edecek şekilde analiz edilmesi ilerleyen bölümde açıklanacağı gibi sistemin performans verimliliği ve sınıflandırma verimliliği açısından hayatidir. Mekanik ve elektronik aksamın gelişmesi de teknolojik/bilimsel gelişmelerle paralellik gösterse de EMG sinyal analizi işlemlerinin gelişmesi sinyal işleme ve makine öğrenmesi metodlarındaki güçlü gelişmelerle sistem performansını etkileyen en önemli ana kolonu taşımaktadır. Sinyaldeki gürültülerden arındırmak için frekans band genişliğinin yüksek tutulması sinyalin bütünlüğünü bozan detayların dahil edeceği gibi düşük tutulması ise sinyal için önemli olan detayların kaybolarak karakteristiğinin bozulmasına neden olabilir. Bu yüzden doğru sinyal analizi için akıllı algoritmaların kullanılması şarttır.EEG sinyalleri de kaynak işaretine alternatif olabilir. Fakat EEG sinyalleri daha düşük band genişliğine sahip olmakla birlikte daha düşük genliğe sahip olduğu için gerçek hayatta EMG sinyallerine göre daha çok gürültüye karışmaları verimi düşmektedir. Bu anlamda EMG sinyallerinin kaynak işareti olarak kullanılması daha makul görünmektedir.EMG sinyalinin karakteristik kestiriminde Dalgacık Dönüşümü analizinin sıklıkla kullanıldığı bilinmektedir. Bu çalışma kapsamında EMG sinyallerinin temsil yeteneği en yüksek olan dalgacık tipi ve ayrıştırma derecesi kestirilmeye çalışılmıştır. Bununla beraber daha verimli bir sınıflandırma hangi metodla yapılır sorusuna yanıt aranmıştır. Protez-biyonik ellerin işlevselliğini arttırmak amacıyla gündelik hayatta nesneleri tutmaya/kavramaya yarayan ve sıklıkla kullanılan 6 temel el hareketine ait EMG sinyallerinden oluşan 900 örnek verilik bir veri seti kullanılmıştır. EMG sinyallerine ait temsil yeteneği en güçlü olan öznitelik vektörünü elde etmek için Markov geçiş matrisi elemanları ve Ayrık Dalgacık Dönüşümü analizi kullanılmıştır. Elde edilen öznitelik vektörüne çeşitli makine öğrenmesi algoritmalarıyla sınıflandırma performans analizleri uygulanmıştır. Çalışma kapsamında kullanılan metodlar ile elde edilen sonuçlar uluslar arası alanda yapılan benzer çalışmalarla paralel ve anlamlı sonuçlar taşımanın yanında hız performans dengesi ile gerçek zamanlı kullanılabilirlik konusunda tercih edilebilirliğini arttırmıştır.Verimli bir EMG sinyali karakteristik kestirimi protez-biyonik kolların geliştirilmesine yardımcı olmasının yanında robot kolların gerçeğe uygun geliştirilmesinde, kesik uzuvların yerine dikilmesinde veya klinik teşhislerin belirlenmesine de yardımcı olması beklenmektedir. Bu çalışma da kullanılan metodlarla EMG sinyallerinin karakteristik kestirimini ve sınıflandırma başarısını ve performansını artmasına katkı sağlanmaya çalışılmıştır . Elde edilen sonuçlar ve önerilen metodların yeni çalışmalara katkı sağlayacağı düşünülmektedir.

Multi functional prothesis bionic arms/hand are limited in term of motion. To improve those prothesis functionality reserarchers are studying in many ways. Those are enhancig the ability of motion, providing the desired rotation and the motion by improving electronical parts and analyzing EMG signals that are source signals. It is crucial for efficiency of classification and system's performance that analyzing of signals should represent the aimed motion. Developments in signal analysis procedures of EMG and machine learning methods are the most important factors that effects system's performance. Selecting high frequency bands or low frequency bands in order to clear disturbance may deflect characteristics. So that if is important to analyze signals correctly smart algorithms should be used.EEG signals can be used as alternative to source signals. But EEG signals have lower bandwith and lower amplitude. So, they can be defected harder when compared with EMG.It is known that Wavelet Transformation Analysis is using widely to estimate characteristics of EMG signals. In this study, it has been focused on decomposition degree and prediction of wavelet that is the most representative property of EMG signals. In addition, the question of which method should be used for creating more efficient classification. 900 data set that belongs to EMG signals of 6 basic hand motions which are usually used for holding/grabbing has been used in order to improve the functionality of prothesis hands. Split Wavelet Transform and Markov Transformation Martix have been used to onlain vector of attribute that is the most representative speciality of EMG signals. Performance analyses have been performed to vector of attribute by using various algorithms of machine learning methods.When comparing with other worldwide studies, it is seen that the results of this study, are accurate, more over, it is more preferable in terms of real-time usage, beacuse of the stability between speed and performance.In addition to help developing prothesis-bionic hand/arms, it is expected that prediction of the characteristics of an efficient EMG signal will be able to help designing the prothesis more accurate, stiching body parts and identicating clinical diagnosis. By methods that have been used in this study, improvement of prediction of characteristics of EMG signals and performance is expected. All obtained results and suggested methods may contribute to new studies.