sEmg tabanlı el hareket tanımada farklı kol pozisyon ve açılarının sınıflandırma başarısına olan etkilerinin incelenmesi

Year 2025, Volume: 40 Issue: 1, 297 - 312, 16.08.2024

Emre Parlak , Ulvi Başpınar

https://doi.org/10.17341/gazimmfd.1135737

Abstract

EMG tabanlı uygulamalar ile ilgili literatürde oldukça çok sayıda çalışma yer almaktadır. Bu çalışmalar, insan makine etkileşimi başta olmak üzere rehabilitasyon, aktif protez kontrolü gibi alanlarda yoğunlaşmıştır. Yapılan çalışmalarda EMG sinyallerinin sınıflandırılmasında sınıflayıcıların performansını etkileyen kol kaslarının yorulması, ciltteki ter, elektrotlardan kaynaklanan gürültüler gibi çok sayıda faktörden bahsedilmiştir. Yapılan bu çalışmaların birçoğunda EMG kayıtları ön kol sabit ve belirli bir pozisyondayken yapılmıştır. Hareketin yapıldığı kol pozisyonu ve bilek açıları da hareket tahminini etkileyen etkenlerdendir. Aktif protez kontrolü, insan makine etkileşimi gibi sistemlerde kullanılan sEMG sinyallerinin günlük hayatın akışında kolun farklı pozisyon ve açılarında da doğru sınıflandırması beklenmektedir. Bu çalışmada birden fazla kişinin sağ ön kollarından alınan yüzey elektromiyogram sinyalleri kullanılarak el hareketleri, bu el hareketlerinin yapıldığı bilek açıları ve kol pozisyonları tespit edilmek istenmiş, aynı zamanda farklı kol pozisyonlarının ve açılarının el hareket sınıflamasındaki etkileri araştırılmıştır. Hareketin yapıldığı farklı kol pozisyonları ve açılar nedeniyle ortaya çıkan olumsuz etkilerin ivme ve jiroskop verileri kullanılarak giderilip giderilemeyeceği noktasında da değerlendirmeler yapılarak sınıflandırıcı performanslarına etkilerine yer verilmiştir. Sınıflandırma aracı olarak yapay sinir ağları ve destek vektör makineleri kullanılmış, performans karşılaştırması yapılmıştır. Yapılan değerlendirme sonucu günlük hayatta kullanılması planlanan EMG tabanlı bir sistemin eğitiminde ön kolun tüm pozisyon ve açılarında eğitim verisinin toplanması sınıflandırma sonuçlarını iyileştirdiği tespit edilmiştir. Farklı pozisyonlarda ivme ve jiroskop verilerinin hareket sınıflama performansına çok az bir katkı sunduğu belirlenmiştir. Çalışma kapsamında yalnız EMG verisinin bilek açısını ve kol pozisyonunu tespit etmekte yetersiz olduğu ivme ile jiroskop verilerinin eklenmesi ise bilek açısı tahminleri yükseltmiştir. Kol pozisyonu tespitinde ise EMG ile birlikte ivme verisinin kol pozisyon açısını belirlemede etkin olduğu görülmüştür. Sınıflandırıcı performansı olarak gruplar incelendiğinde genel olarak DVM sınıflayıcısının daha yüksek sınıflama performansı göstermekle beraber YSA’nın da iyi sonuçlar verdiği gözlenmiştir.

Keywords

EMG, Yapay Sinir Ağları, Destek Vektör Makinesi, El Hareket Tanıma, İnsan Makine Etkileşimi

Supporting Institution

Marmara Üniversitesi BAPKO

Project Number

FEN-K-090518-0244

Thanks

Bu çalışma Marmara Üniversitesi BAPKO birimi FEN-K-090518-0244 no’lu “Bilgisayar Destekli El Rehabilitasyon Sistemi” isimli proje kapsamında desteklenmektedir.

Investigation of the effects of different arm positions and angles in semg-based hand gesture recognition on classification success.

Abstract

There are many studies in the literature on EMG-based applications. These studies have focused mainly on human-machine interaction and various areas such as rehabilitation, active prosthesis control. In the studies, many factors affecting the performance of the classifiers such as fatigue of the arm muscles, sweat on the skin, and noise from the electrodes have been mentioned in the classification of EMG signals. The common point of these studies is that most of the EMG recordings were made while the forearm was fixed and in a certain position. The arm position and wrist angles where the gesture is made are also factors that affect the gesture estimation. It is expected that the sEMG signals used in systems such as active prosthesis control and human-machine interaction would be correctly classified in different positions and angles of the arm in the flow of daily life. In this study, it was aimed to determine hand gestures, wrist angles and arm positions by using surface electromyogram signals from the right forearms of more than one person, and at the same time, the effects of different arm positions and angles on hand gesture classification were studied. Evaluations were made at the point of whether the negative effects caused by different arm positions and angles could be eliminated by using acceleration and gyroscope data, and their effects on the classifier performance were included. Artificial neural networks and support vector machines were used as classification tools and performance comparison was made. As a result of the evaluation, it has been determined that the collection of training data in all positions and angles of the forearm improves the classification results in the training of an EMG-based system planned to be used in daily life. It was determined that the acceleration and gyroscope data at different positions contributed little to the motion classification performance. In the scope of the study, the addition of acceleration and gyroscope data, where only EMG data is insufficient to detect wrist angle and arm position, increased wrist angle estimations. In arm position determination, it was seen that the acceleration data together with the EMG were effective in determining the arm position angle. When the groups are examined in terms of classifier performance, it is observed that SVM classifier shows higher classification performance in general, but ANN gives good results than SVM in some groups.

Project Number

FEN-K-090518-0244

References

• 1. Xu, H. and A. Xiong, Advances and Disturbances in sEMG-Based Intentions and Movements Recognition: A Review. IEEE Sensors Journal, 2021.
• 2. Subba, T. and T.S. Chingtham, A survey: EMG signal-based controller for human–computer interaction, in Advances in Communication, Cloud, and Big Data. 2019, Springer. p. 117-125.
• 3. Cifrek, M., et al., Surface EMG based muscle fatigue evaluation in biomechanics. Clinical biomechanics, 2009. 24(4): p. 327-340.
• 4. Li, K., et al., A review of the key technologies for sEMG-based human-robot interaction systems. Biomedical Signal Processing and Control, 2020. 62: p. 102074.
• 5. Saeed, B., et al., Leveraging ANN and LDA Classifiers for Characterizing Different Hand Movements Using EMG Signals. Arabian Journal for Science and Engineering, 2021. 46(2): p. 1761-1769.
• 6. Subasi, A., Classification of EMG signals using PSO optimized SVM for diagnosis of neuromuscular disorders. Computers in biology and medicine, 2013. 43(5): p. 576-586.
• 7. Baspinar, U., H.S. Varol, and K. Yildiz. Classification of hand movements by using artificial neural network. in 2012 International Symposium on Innovations in Intelligent Systems and Applications. 2012. IEEE.
• 8. Alba-Flores, R., S. Hickman, and A.S. Mirzakani. Performance analysis of two ANN based classifiers for EMG signals to identify hand motions. in SoutheastCon 2016. 2016.
• 9. Caesarendra, W., et al. A classification method of hand EMG signals based on principal component analysis and artificial neural network. in 2016 International Conference on Instrumentation, Control and Automation (ICA). 2016.
• 10. Ç. Çerçi and H. Temeltaş, "Feature extraction of EMG signals, classification with ANN and kNN algorithms," 2018 26th Signal Processing and Communications Applications Conference (SIU), 2018, pp. 1-4, doi: 10.1109/SIU.2018.8404207.
• 11. Sayin, F.S., S. Ozen, and U. Baspinar. Hand gesture recognition by using sEMG signals for human machine interaction applications. in 2018 Signal Processing: Algorithms, Architectures, Arrangements, and Applications (SPA). 2018. IEEE.
• 12. Chung, E.A. and M.E. Benalcázar. Real-Time Hand Gesture Recognition Model Using Deep Learning Techniques and EMG Signals. in 2019 27th European Signal Processing Conference (EUSIPCO). 2019.
• 13. Asif, A.R., et al., Performance Evaluation of Convolutional Neural Network for Hand Gesture Recognition Using EMG. Sensors, 2020. 20(6): p. 1642.
• 14. Yoshikawa, M., M. Mikawa, and K. Tanaka. Real-Time Hand Motion Estimation Using EMG Signals with Support Vector Machines. in 2006 SICE-ICASE International Joint Conference. 2006.
• 15. Rekhi, N.S., et al. Multi-class SVM classification of surface EMG signal for upper limb function. in 2009 3rd International Conference on Bioinformatics and Biomedical Engineering. 2009. IEEE.
• 16. Alkan, A. and M. Günay, Identification of EMG signals using discriminant analysis and SVM classifier. Expert Systems with Applications, 2012. 39(1): p. 44-47.
• 17. Benatti, S., et al., A Versatile Embedded Platform for EMG Acquisition and Gesture Recognition. IEEE Transactions on Biomedical Circuits and Systems, 2015. 9(5): p. 620-630.
• 18. Rossi, M., et al. Hybrid EMG classifier based on HMM and SVM for hand gesture recognition in prosthetics. in 2015 IEEE International Conference on Industrial Technology (ICIT). 2015.
• 19. Tavakoli, M., et al., Robust hand gesture recognition with a double channel surface EMG wearable armband and SVM classifier. Biomedical Signal Processing and Control, 2018. 46: p. 121-130.
• 20. Altan, E., K. Pehlivan, and E. Kaplanoğlu. Comparison of EMG Based Finger Motion Classification Algorithms. in 2019 27th Signal Processing and Communications Applications Conference (SIU). 2019.
• 21. Ali, H. and W. Yanen. SVM Classification for Novel Time Domain IMU and EMG fused features for control of 6-DOF industrial robot. in 2020 IEEE International Conference on Mechatronics and Automation (ICMA). 2020.
• 22. Reaz, M.B.I., M.S. Hussain, and F. Mohd-Yasin, Techniques of EMG signal analysis: detection, processing, classification and applications. Biological Procedures Online, 2006. 8(1): p. 11-35.
• 23. Hudgins, B., P. Parker, and R.N. Scott, A new strategy for multifunction myoelectric control. IEEE Transactions on Biomedical Engineering, 1993. 40(1): p. 82-94.
• 24. Sarcevic, P., S. Pletl, and Z. Kincses. Comparison of time-and frequency-domain features for movement classification using data from wrist-worn sensors. in 2017 IEEE 15th International Symposium on Intelligent Systems and Informatics (SISY). 2017. IEEE.