EMG SINYALLERININ ANLAMLANDIRILMASI ICIN RADYAL FONKSIYONLU YAPAY SINIR AĞI TASARIMI

Son yıllarda, insan ve protez cihazlar arasındaki bilişsel etkileşim oldukça popüler araştırma alanlarından biridir. Elektromiyografi (EMG) yöntemi, hareket örüntülerin (pattern) anlamlandırılması için oldukça etkili bir yöntemdir. Kasların nöromasküler aktivitesi hakkında bilgiler taşıyan EMG sinyallerinin, kişilerin hareket isteğinin algılanmasında kullanımı etkin sonuçlar vermektedir. Bu makale kapsamında yüzey elektromiyografi yöntemi ile  kişilerin ltı adet el hareket örüntülerinin anlamlandırılması işlemi gerçekleştirilmiştir. Her bir parmak aktivitesini ayrı ayrı ifade edecek şekilde biyoelektrik sinyaller dört kanallı EMG sensör vasıtası ile kaydedilmiştir. Kaydedilen biyoelektrik sinyaller bir dizi ön işleme tabi tutulmuş ve sinyallerin seçilen zaman domeni öznitelikleri hesaplanmıştır. EMG özelliklerinin sınıflandırılması için Radyal Fonksiyonlu Yapay Sinir Ağı (RFYSA) ve İleri Yayılımlı Yapay Sinir Ağı (İYSA) algoritmaları kullanılmış ve sırası ile % 94.81, %94.05 başarı elde edilmiştir. Çalışmaya ait sonuçlar literatürde yer alan çalışmalar ile karşılaştırmalı olarak yorumlanmıştır. 

RADIAL FUNCTIONAL NEURAL NETWORK DESIGN FOR RECOGNITION of EMG SIGNALS

In recent years, the cognitive interaction between human and prosthetic devices is one of the most popular research areas. Electromyography (EMG) method is a very effective method for rocognition of motion patterns. EMG signals, which have information about the neuromuscular activity of the muscles, are very common in perceiving people's motion desire. In this article, the recognition of the hand patterns of the people was realized by the surface lectromyography method. The bioelectric signals were recorded with four-channel EMG sensor, which expresses each finger activity separately. The recorded bioelectrical signals were pre-processed and then the selected time domain attributes of the signals were calculated. Radial Functional Neural Network (RFNN) and Feed Forward Neural Network (FFNN) algorithms were used to classify the EMG features and 94.81% and 94.05% success rate respectively. The results of the study are interpreted comparatively with the studies in the literature.

___

  • Reference 1: Muhammet AYDIN, Firat Unıversitesi MAkina Mühendisliği Bölümü muhammeta@firat.edu.tr