EMG SINYALLERININ ANLAMLANDIRILMASI ICIN RADYAL FONKSIYONLU YAPAY SINIR AĞI TASARIMI

Basit Öğe Kaydı
dc.contributor.authorTaşar, Beyda
dc.date.accessioned2025-01-21T14:26:59Z
dc.date.available2025-01-21T14:26:59Z
dc.date.issued2018
dc.description.abstractSon 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. 
dc.description.abstractIn 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.
dc.identifier.dergipark410793
dc.identifier.doi10.29137/umagd.410793
dc.identifier.issn1308-5514
dc.identifier.issue2-153
dc.identifier.startpage159
dc.identifier.urihttps://dergipark.org.tr/tr/download/article-file/507179
dc.identifier.urihttps://dergipark.org.tr/tr/pub/umagd/issue/38203/410793
dc.identifier.urihttps://doi.org/10.29137/umagd.410793
dc.identifier.urihttps://hdl.handle.net/20.500.12587/20016
dc.identifier.volume1
dc.language.isotr
dc.publisherKırıkkale Üniversitesi
dc.relation.ispartofUluslararası Mühendislik Araştırma ve Geliştirme Dergisi
dc.relation.publicationcategoryMakale - Ulusal Hakemli Dergi
dc.rightsinfo:eu-repo/semantics/openAccess
dc.snmzKA_20241229
dc.subjectelektromiyografi
dc.subjectel hareketlerinin anlamlandırılması
dc.subjectradyal fonksiyonlu yapay sinir ağı
dc.subjectRFYSA
dc.subjectelectromiyagraphy
dc.subjectmotion recognition
dc.subjectradial function neural network
dc.subjectRFNN
dc.titleEMG SINYALLERININ ANLAMLANDIRILMASI ICIN RADYAL FONKSIYONLU YAPAY SINIR AĞI TASARIMI
dc.title.alternativeRADIAL FUNCTIONAL NEURAL NETWORK DESIGN FOR RECOGNITION of EMG SIGNALS
dc.typeArticle

Dosyalar

Koleksiyon

Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi
TR-Dizin İndeksli Yayınlar Koleksiyonu