El hareketlerine ait yüzey EMG sinyallerinin işlenmesi ve sınıflandırılması

Abstract

Ampute bireyler için protez kol tasarımında yüzey EMG işaretlerinin işlenmesi ve sınıflandırılması sıkça yapılan bir uygulamadır. Bu tez çalışmasında ampute bireylerdeki kas kayıpları dikkate alınarak daha az kasa ait veriler ile güvenilir sınıflandırma sonuçları elde edilmeye çalışılmıştır. Sınıflandırma performansının artırılması için literatürde kullanımına rastlanılmayan jiroskop öznitelikleri de kullanılmıştır. Veri setinde 7 el hareketi için 10 sağlıklı kişiden Myo kol bandı ile alınmış yüzey EMG ve jiroskop verileri bulunmaktadır. Bu 7 el hareketi: yumruk, parmak açma, bilek içeri bükme, bilek dışarı bükme, pronasyon, supinasyon ve dinlenmedir. Denekler her bir hareketi 30’ ar kez tekrarlamışlardır. Yüzey EMG ve jiroskop işaretlerinin öznitelikleri çıkarılmadan önce önişlemeden geçirilmiştir. Önişleme süreci yüzey EMG verileri için iki aşamadan oluşmaktadır. Birinci aşamada yüzey EMG işareti 10 Hz yüksek geçiren filtreden geçirilmiştir. İkinci aşamada ise işaret içinde hareketin gerçekleştiği aralık bulunarak harekete ait olmayan kısımlar çıkarılmıştır. Jiroskop verilerinin önişlemesinde filtre uygulanmamış, yalnızca hareketin gerçekleştiği aralık bulunmuştur. Önişlemeleri yapılan yüzey EMG ve jiroskop verilerinin öznitelikleri çıkarılmıştır. Öznitelik matrisinde 14 adet zaman düzlemi, 6 adet frekans düzlemi olmak üzere 20 adet öznitelik kullanılmıştır. Bunların arasından en yüksek doğruluğu verenlerin belirlenmesi için ardışıl ileri yönlü öznitelik seçimi yapılmıştır. Sınıflandırma algoritması olarak Destek Vektör Makinesi ve k-En Yakın Komşuluk kullanılmıştır. Sınıflandırmada Matlab® içerisinde bulunan ClassificationLearner uygulamasından yararlanılmıştır. Tüm yüzey EMG kanalları kullanılarak elde edilen en yüksek doğruluk % 98,38’dir. Öznitelik seçimi sonucunda elde edilen öznitelik seti ve sınıflandırıcı kullanılarak kanal sayısı azaltılmış ve doğrulukları kontrol edilmiştir. Kanal sayısı 3’ e kadar düşüldüğünde doğruluğun % 90’ ın üzerinde olduğu görülmüştür. Özellikle az sayıda yüzey EMG kanalı kullanıldığında jiroskop özniteliklerinin performansı artırdığı görülmüştür. Elde edilen bu sonuçların ardından tüm veri seti eğitim kümesinde kullanılarak sınıflandırma modeli oluşturulmuş ve test verileri sisteme gerçek zamanlı gönderilmiştir. Veri setindeki sekiz kişi için yapılan gerçek zamanlı uygulama sonucunda % 95,83 ortalama doğruluk elde edilmiştir.

Processing and classification of surface EMG signals is a common practice in prosthetic arm design for amputated individuals. In this thesis study, it has been tried to obtain reliable classification results with less muscle data considering the muscle losses in amputated individuals. Gyroscope features, which are not used in the literature, are also used to increase the classification performance. The data set includes surface EMG and gyroscope data taken from 10 healthy subjects with Myo armband for 7 hand gestures. These 7 hand gestures are: fist, fingers spread, wave-in, wave-out, pronation, supination and rest. Subjects repeated each gesture 30 times. surface EMG and gyroscope signals were preprocessed before their features were extracted. The preprocessing consists of two stages for surface EMG data. In the first stage, the surface EMG signal was passed through a 10 Hz high-pass filter. In the second stage, the region in the signal where the gesture takes place was found and the parts that do not belong to the gesture were removed. In the preprocessing of the gyroscope data, no filter was applied, only the region at which the gesture occurred was found. The features of the preprocessed surface EMG and gyroscope data were extracted. In the feature matrix, 20 features including 14 time domain and 6 frequency domain were used. Sequential forward selection was made to determine the highest accuracy among these. Support Vector Machine and k-Nearest Neighbors was used as the classification algorithm. ClassificationLearner application in Matlab® was used for classification. The highest accuracy achieved by using all surface EMG channels is 98.38%. Using the feature set and classifier obtained as a result of the feature selection, the number of channels was reduced and their accuracy was checked. When the number of channels is reduced up to 3, it has been observed that the accuracy is over 90%. Especially when using a small number of surface EMG channels, it has been observed that gyroscope features increase the performance. After these results, the classification model was created by using the entire data set and the test data was sent to the system in real time. As a result of the real-time application performed for eight subjects in the data set, an average accuracy of 95.83% was obtained.