Değişken Kuvvetli EMG Sinyallerinin Çok Değişkenli Görgül Kip Ayrışımı ile Analizi ve Sınıflandırılması

Yıl 2020, Cilt: 32 Sayı: 3, 229 - 238, 01.09.2020

Fatih Onay , Ahmet Mert

https://doi.org/10.7240/jeps.618193

Cited By: 1

Öz

Elektromiyografi (EMG) sinyalleri,
insan-makine etkileşimli akıllı el protezlerinin kontrolünde önemli bir rol
oynamaktadır. Kas aktivesinin bir sonucu olarak ortaya çıkan EMG sinyalleri,
yapılan aktiviteye dair özel bilgileri kendi içerisinde ihtiva etmektedir.
Dolayısıyla akıllı el protezlerinin işlevselliğinin arttırılması, kas bölgesinden
toplanan EMG sinyalinin doğru bir şekilde analiz edilip yorumlanmasına önemli
ölçüde bağlıdır. Bu konsepte uygun olarak, akıllı el protezi hareketlerinin
karar verme sürecinde, EMG sinyallerinin güvenilir bir şekilde kullanılabilmesi
için, var olan yöntemlerin geliştirilmesi ya da bu yöntemlere üstünlük
sağlayacak yeni yöntemler önerilmesi gerekmektedir. Bu çalışma kapsamında, çok
kanallı EMG sinyallerinin analizinin geliştirilmesi amacıyla, çok değişkenli
görgül kip ayrışımı (ÇDGKA) tabanlı öznitelik çıkarma yöntemi, geleneksel
metotlara alternatif olarak sunulmuştur. Sinyali adaptif olarak salınım
modlarına ayıran ÇDGKA yöntemi kullanılarak, EMG sinyalinden daha anlamlı bilgi
edinilmesi amaçlanmıştır. ÇDGKA tabanlı özniteliklerin farklı el ve parmak hareketlerini
ayırt etme performansı ve farklı kuvvet seviyelerine karşı gösterdiği
performans incelenmiştir. Bu amaçla ampute katılımcıların artık uzuvlarından
toplanan düşük, orta ve yüksek kuvvet seviyelerine ait EMG sinyalleri üzerinde
ÇDGKA yöntemi uygulanarak özgül kip fonksiyonları (ÖKF) elde edilmiştir. Elde
edilen ÖKF’lerden çıkarılan öznitelikler kullanılarak altı farklı el ve parmak
hareketi, en yakın komşu (k-NN),
doğrusal ayrım analizi (LDA) ve destek vektör makinesi (SVM) sınıflandırıcıları
kullanılarak sınıflandırılmıştır. Aynı kuvvet seviyesinde eğitilip test
edilerek (Senaryo 1) ve tüm kuvvet seviyelerinde eğitilip tek bir kuvvet
seviyesinde test edilerek (Senaryo 2) gerçekleştirilen sınıflandırmalar
neticesinde, önerilen ÇDGKA tabanlı özniteliklerin ham sinyal tabanlı
özniteliklere göre, senaryo 1 için %10 - %15, senaryo 2 için %18’e kadar
üstünlük sağladığı belirlenmiştir. 

Anahtar Kelimeler

: Elektromiyografi, Çok değişkenli görgül kip ayrışımı, , İnsan-Makine Etkileşimi, , El protezi

Destekleyen Kurum

Bursa Teknik Üniversitesi Bilimsel Araştırma Projeleri

Proje Numarası

182L21

Teşekkür

Bu çalışmada maddi olarak destekte bulunan Bursa Teknik Üniversitesi Bilimsel Araştırma Projeleri kurumuna teşekkür ederiz.

Kaynakça

• [1] Bright, D., Nair, A., Salvekar, D., & Bhisikar, S. (2016). EEG-based brain controlled prosthetic arm. In Conference on Advances in Signal Processing, CASP 2016.
• [2] Barea, R., Boquete, L., Mazo, M., Lopez, E., & Bergasa, L. M. (2000). EOG guidance of a wheelchair using neural networks. Proceedings 15th International Conference on Pattern Recognition. ICPR-2000.
• [3] Hakonen, M., Piitulainen, H., & Visala, A. (2015). Current state of digital signal processing in myoelectric interfaces and related applications. Biomedical Signal Processing and Control, 18, 334–359.
• [4] Bock, O. (2006). Myoelectrıc Control Of Powered Upper- Lımb Prostheses.
• [5] Stashuk, D. (2001). EMG signal decomposition: How can it be accomplished and used. Journal of Electromyography and Kinesiology, 11(3), 151–173.
• [6] Hargrove, L. J., Englehart, K., & Hudgins, B. (2007). A comparison of surface and intramuscular myoelectric signal classification. IEEE Transactions on Biomedical Engineering, 54(5), 847-853
• [7] Al-Timemy, A. H., Khushaba, R. N., Bugmann, G., & Escudero, J. (2016). Improving the Performance Against Force Variation of EMG Controlled Multifunctional Upper-Limb Prostheses for Transradial Amputees. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 24(6), 650–661.
• [8] Huang, N. E., Shen, Z., Long, S. R., Wu, M. C., Shih, Zheng. (1998). The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis. Proceedings of the Royal Society A: Mathematical, Physical and Engineering Sciences, 454(1971), 903–995.
• [9] Rehman, N., & Mandic, D. P. (2010a). Multivariate empirical mode decomposition. Proceedings of the Royal Society A: Mathematical, Physical and Engineering Sciences, 466(2117), 1291–1302.
• [10] Altamirano, A. A. (2017). EMG Pattern Prediction for Upper Limb Movements Based on Wavelet and Hilbert-Huang Transform. (Doctoral dissertation, Université de Lorraine; Instituto Politécnico Nacional (México)).
• [11] Sapsanis, C., Georgoulas, G., Tzes, A., & Member, S. (2013). A. EMG Data Collection, 716–722
• [12] Ruiz-Olaya, A. F., & Lopez-Delis, A. (2013). Surface EMG signal analysis based on the empirical mode decomposition for human-robot interaction. In Symposium of Signals, Images and Artificial Vision - 2013, STSIVA 2013.
• [13] Sapsanis, C., Georgoulas, G., Tzes, A., & Lymberopoulos, D. (2013). Improving EMG based Classification of basic hand movements using EMD. 2013 35th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), 5754–5757.
• [14] De Luca, C. J., Donald Gilmore, L., Kuznetsov, M., & Roy, S. H. (2010). Filtering the surface EMG signal: Movement artifact and baseline noise contamination. Journal of Biomechanics, 43(8), 1573–1579.
• [15] Myers, L. J., Lowery, M., O’Malley, M., Vaughan, C. L., Heneghan, C., St. Clair Gibson, A., … Sreenivasan, R. (2003). Rectification and non-linear pre-processing of EMG signals for cortico-muscular analysis. Journal of Neuroscience Methods, 124(2), 157–165.
• [16] Duru, A. D. (2019). Determination of Increased Mental Workload Condition From EEG by the Use of Classification Techniques. International Journal of Advances in Engineering and Pure Sciences, 31, 47-52. Doi: 10.7240/jeps.459420.