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

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

PDF

___

[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.