EMG Sinyallerinin HFD Analizi ve Hareket Sınıflandırılması

Yıl 2022, Cilt: IDAP-2022 : International Artificial Intelligence and Data Processing Symposium , 130 - 136, 10.10.2022

Gazi Akgün , Uğur Demir , Alper Yıldırım

https://doi.org/10.53070/bbd.1172684

Öz

Bu çalışmada EMG sinyallerinin frekans analizi yapılarak elde edilen veriler ile hareket sınıflandırması yapmak amaçlanmıştır. Üç kanaldan toplanan EMG sinyalleri uygun pencerelere ayrılarak her bir pencereye” hilbert “ zarflama yöntemi uygulanmış ve FFT katsayıları hesaplanmıştır. Kaydedilen EMG sinyallerinin frekans spektrumları incelenmiştir. Bu katsayıları ile bir sınıflandırma algoritmasında kullanmak amacıyla her bir pencerenin ağırlıklı frekans bileşeni hesaplanmıştır. Elde edilen veriler YSA (Yapay sinir Ağları) algoritmasının eğitilmesi amacıyla kullanılmış ve bu işlem EMG sinyallerinin sınıflandırılması amacıyla kullanılmıştır. Sınıflandırma işlemi sonucunda özellikle aynı kas gruplarındaki kasılma kuvvetleri ile birbirinden ayırt edilebilen hareketlerin yalnızca frekans domeninde değil zaman domeninde de incelenmesi gerektiği sonucuna varılmıştır.

Anahtar Kelimeler

sEMG, Hareket Sınıflandırma, HFD Analizi, sEMG

FFT Analysis and Motion Classification of EMG Signals

Öz

In this study, it is aimed to make motion classification with the data obtained by frequency analysis of EMG signals. The EMG signals collected from three channels were divided into appropriate windows, and the "hilbert" envelope method was applied to each window and the FFT coefficients were calculated. The frequency spectrums of the recorded EMG signals were examined. With these coefficients, the weighted frequency component of each window was calculated in order to use it in a classification algorithm. The obtained data were used to train the ANN (Artificial Neural Networks) algorithm and this process was used to classify the EMG signals. As a result of the classification process, it was concluded that the movements that can be distinguished from each other by the contraction forces in the same muscle groups should be examined not only in the frequency domain but also in the time domain.

Anahtar Kelimeler

Motion Classification, FFT Analysis, sEMG

Kaynakça

• Akgün, G., Demetgül, M., Kaplanoğlu, E., & ABD, M. (2013). EMG Sinyallerinin Öznitelik Çıkarımı ve Geri Yayılımlı Yapay Sinir Ağı Algoritması İle Sınıflandırılması. Otomatik Kontrol Ulusal Toplantısı, TOK2013, 26–28.
• Au, A. T. C., & Kirsch, R. F. (2000). EMG-based prediction of shoulder and elbow kinematics in able-bodied and spinal cord injured individuals. IEEE Transactions on Rehabilitation Engineering, 8(4), 471–480.
• Arabaci, H., & Bilgin, O. (2007, June). The detection of rotor faults by using short time fourier transform. In 2007 IEEE 15th Signal Processing and Communications Applications (pp. 1-4). IEEE.
• Englehart, K., Hudgin, B., & Parker, P. A. (2001). A wavelet-based continuous classification scheme for multifunction myoelectric control. IEEE Transactions on Biomedical Engineering, 48(3), 302–311.
• Englehart, K., Hudgins, B., Parker, P. A., & Stevenson, M. (1999). Classification of the myoelectric signal using time-frequency based representations. Medical Engineering & Physics, 21(6–7), 431–438.
• Günay, M., & Alkan, A. (2009). EMG İşaretlerinin K-Ortalama Algoritması Kullanılarak Öbekleştirilmesi. KSÜ Mühendislik Bilimleri Dergisi, 12(2), 25–29.
• GÜNAY, M., & ALKAN, A. (2016). Spektral Yöntemler ve DVM Sınıflandırıcı ile EMG İşaretlerinin Tasnifi. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 13(2), 63–80.
• Hickman, S. D. (2014). Classification of Surface EMG Signals with Respect to Percent Maximum Voluntary Contraction Using Artificial Neural Networks.
• Kamavuako, E. N., Englehart, K. B., Jensen, W., & Farina, D. (2012). Simultaneous and proportional force estimation in multiple degrees of freedom from intramuscular EMG. IEEE Transactions on Biomedical Engineering, 59(7), 1804–1807.
• Konrad, P. (2005). The ABC of EMG: A practical introduction to kinesiological electromyography.
• Şaban, Ö., & Güney, K. (2002). PORLA METODU İLE TAHMİN EDİLEN ARMA MODEL PARAMETRELERİ ÜZERİNDE PENCERE FONKSİYONLARININ ETKİSİ. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 8(2), 173–178.
• Ünal, M. (2006). Ayırma analizi ve bir uygulama. Gazi Üniversitesi, Fen Bilimleri Enstitüsü.