Ön kol yüzey emg sinyallerinin örüntü tanıma tabanlı analizi ve yapay sinir ağları ile sınıflandırılması

Abstract

Aktif elektrotlar, yüksek başarımlı işlemciler ve yüksek enerji yoğunluklu bataryaların kullanımı ile engelli kişiler için bir çok farklı protez üretimi, bu konuda sürekli artan bir talep oluşmaktadır. El, hastaların cisimleri kullanabilme için gereken karmaşık hareketleri yapabildiği için bu uzuvların en önemlilerinden biridir. Fakat, yüksek hareket serbestliği sağlayan çoklu eklem ve kaslardan oluştuğu için protez el tasarımı kolay değildir. Bu tezde, sınıflayıcı algoritmaları çalıştıran işlemci çıkışındaki karmaşık hareket etiketleri ile denetlenen başarılı protez el yapımındaki ilk iki adım olan Elektromiyografik (EMG) işaretlerin alınması ve sınıflandırılması üzerine yoğunlaşılmıştır. Gönüllülerin 7 temel el hareketi sırasında ön kollarındaki yüzey elektrotları ile fleksör ve extensör kaslarına ait EMG işaretleri alınarak, yükseltilmiş, sayısallaştırılmış ve işlenmek üzere bilgisayara aktarılmıştır. Çeşitli zaman ve zaman-frekans özellikleri sınıflandırılmadan önce, EMG işaretleri filtrelenmiş ve ön-işlemlere tabii tutulmuştur. Zaman ve zaman-frekans özellikleri kombinasyonları, örnekleri sınıflamak için kullanılan bir Yapay Sinir Ağı'nın (YSA) eğitimi için kullanıldıktan sonra, eğitilen YSA'nın sınıflama başarımı hem eğitim kümesi hem de test kümesi için çıkarılmış ve diğer önemli bulgular ile birlikte rapor edilmiştir. There is an ever-growing demand for prosthetic limbs as active electrodes, high performance processors and high-energy density batteries are used to make wide variety of limbs for disabled people. One of the most significant limbs is prosthetic hand since patients need complex hand movements to manipulate objects. But, it is not easy to design prosthetic hand because of large number of muscles and joints enabling a high degree of freedom. Acquisition of Electromyographic (EMG) signals and classification of patterns, the first two steps in building successful prosthetic hand controlled by complex tags from the processor running classification algorithms, are emphasized in this thesis. Surface EMG signals of forearm flexor and extensor muscles of voluntary participants, emerged as a result of 7 basic hand movements are acquired by active electrodes, amplified, digitized and then transferred to a computer for processing. EMG signals are filtered first and then pre-processed before time and time-frequency domain features are extracted. Combinations of time and time-frequency domain features are then used to train an artificial neural network (ANN) to perform classification. Correct classification ratios for both data from the training set and test set which the ANN is not trained for are reported besides significant findings.