EMG SINYALLERININ ANLAMLANDIRILMASI ICIN RADYAL FONKSIYONLU YAPAY SINIR AĞI TASARIMI
[ X ]
Tarih
2018
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Kırıkkale Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Son yıllarda, insan ve protez cihazlar arasındakibilişsel etkileşim oldukça popüler araştırma alanlarından biridir.Elektromiyografi (EMG) yöntemi, hareket örüntülerin (pattern) anlamlandırılmasıiçin oldukça etkili bir yöntemdir. Kasların nöromasküler aktivitesi hakkındabilgiler taşıyan EMG sinyallerinin, kişilerin hareket isteğinin algılanmasındakullanımı etkin sonuçlar vermektedir. Bu makale kapsamında yüzeyelektromiyografi yöntemi ile kişilerin ltıadet el hareket örüntülerinin anlamlandırılması işlemi gerçekleştirilmiştir. Herbir parmak aktivitesini ayrı ayrı ifade edecek şekilde biyoelektrik sinyallerdört kanallı EMG sensör vasıtası ile kaydedilmiştir. Kaydedilen biyoelektriksinyaller bir dizi ön işleme tabi tutulmuş ve sinyallerin seçilen zaman domeniöznitelikleri hesaplanmıştır. EMG özelliklerinin sınıflandırılması için RadyalFonksiyonlu 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 karşılaştırmalıolarak yorumlanmıştır.
In recentyears, the cognitive interaction between human and prosthetic devices is one ofthe most popular research areas. Electromyography (EMG) method is a veryeffective method for rocognition of motion patterns. EMG signals, which haveinformation about the neuromuscular activity of the muscles, are very common inperceiving people's motion desire. In this article, the recognition of the handpatterns of the people was realized by the surface lectromyography method. Thebioelectric signals were recorded with four-channel EMG sensor, which expresseseach finger activity separately. The recorded bioelectrical signals werepre-processed and then the selected time domain attributes of the signals werecalculated. Radial Functional Neural Network (RFNN) and Feed Forward NeuralNetwork (FFNN) algorithms were used to classify the EMG features and 94.81% and94.05% success rate respectively. The results of the study are interpretedcomparatively with the studies in the literature.
In recentyears, the cognitive interaction between human and prosthetic devices is one ofthe most popular research areas. Electromyography (EMG) method is a veryeffective method for rocognition of motion patterns. EMG signals, which haveinformation about the neuromuscular activity of the muscles, are very common inperceiving people's motion desire. In this article, the recognition of the handpatterns of the people was realized by the surface lectromyography method. Thebioelectric signals were recorded with four-channel EMG sensor, which expresseseach finger activity separately. The recorded bioelectrical signals werepre-processed and then the selected time domain attributes of the signals werecalculated. Radial Functional Neural Network (RFNN) and Feed Forward NeuralNetwork (FFNN) algorithms were used to classify the EMG features and 94.81% and94.05% success rate respectively. The results of the study are interpretedcomparatively with the studies in the literature.
Açıklama
Anahtar Kelimeler
elektromiyografi, el hareketlerinin anlamlandırılması, radyal fonksiyonlu yapay sinir ağı, RFYSA, electromiyagraphy, motion recognition, radial function neural network, RFNN
Kaynak
Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi
WoS Q Değeri
Scopus Q Değeri
Cilt
1
Sayı
2-153
