SavedAdd your journal

Journals / Karaelmas Fen ve Mühendislik Dergisi / 2019 / Cilt: 9 - Sayı: 2

Çok Fonksiyonlu Protez El Hareketleri İçin Uzman Sistem Tasarımı

YALÇIN İŞLER
Özlem İŞLER
Pages
237–243
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Sonuç olarak, SVM sınıflandırıcısı ile en yüksek sınıflandırıcı başarımı elde edilmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Kısmen felçli hastalarda ve el, kol yada bacak kaybına uğramış bireylerde eksik uzuvlarının yerine kullanılmak üzere protez tasarımları bulunmaktadır.
📊
Key Findings & Data:Günümüzde mevcut olan protez eller temel birkaç fonksiyonel özellik sunmasına rağmen, gündelik hayatta bir elin sahip olduğu özelliklere kıyasla çok kısıtlı ve yetersizdir.
💡
Conclusion & Impact:Sonuç olarak, SVM sınıflandırıcısı ile en yüksek sınıflandırıcı başarımı elde edilmiştir.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Yüzey EMG · Protez el · Uzman sistemler

Abstract

Kısmen felçli hastalarda ve el, kol yada bacak kaybına uğramış bireylerde eksik uzuvlarının yerine kullanılmak üzere protez tasarımları bulunmaktadır. Günümüzde mevcut olan protez eller temel birkaç fonksiyonel özellik sunmasına rağmen, gündelik hayatta bir elin sahip olduğu özelliklere kıyasla çok kısıtlı ve yetersizdir. Son zamanlarda EMG sinyalleri insan-makine arabirimleri tasarımlarının vazgeçilmez unsurlarından biri haline gelmiştir. Protezlerin gerçek bir uzuva benzemeleri için EMG sinyallerinin kullanımı bir seçenek olacaktır. Örüntü tanıma tabanlı el kontrol algoritmaları, özürlü kişiler için yapay el üretmek amacı ile kullanılmaktadır. Bu çalışmada; önkol kaslarındaki EMG ElektroMiyoGrafi işaretlerini kullanarak, çok işlevli dört önkol hareketi: el serbest, el sıkılı, kasılma ve gevşeme el kontrolü için dört sınıflandırıcı k-yakın komşuluk, MLP, RBF ve SVM incelenmiştir. Sınıflandırıcıların eğitim ve testinde, EMG işareti tabanlı zaman alanı istatistiksel ölçümler kullanılmıştır. Sonuç olarak, SVM sınıflandırıcısı ile en yüksek sınıflandırıcı başarımı elde edilmiştir.

Özet

Kısmen felçli hastalarda ve el, kol yada bacak kaybına uğramış bireylerde eksik uzuvlarının yerine kullanılmak üzere protez tasarımları bulunmaktadır. Günümüzde mevcut olan protez eller temel birkaç fonksiyonel özellik sunmasına rağmen, gündelik hayatta bir elin sahip olduğu özelliklere kıyasla çok kısıtlı ve yetersizdir. Son zamanlarda EMG sinyalleri insan-makine arabirimleri tasarımlarının vazgeçilmez unsurlarından biri haline gelmiştir. Protezlerin gerçek bir uzuva benzemeleri için EMG sinyallerinin kullanımı bir seçenek olacaktır. Örüntü tanıma tabanlı el kontrol algoritmaları, özürlü kişiler için yapay el üretmek amacı ile kullanılmaktadır. Bu çalışmada; önkol kaslarındaki EMG ElektroMiyoGrafi işaretlerini kullanarak, çok işlevli dört önkol hareketi: el serbest, el sıkılı, kasılma ve gevşeme el kontrolü için dört sınıflandırıcı k-yakın komşuluk, MLP, RBF ve SVM incelenmiştir. Sınıflandırıcıların eğitim ve testinde, EMG işareti tabanlı zaman alanı istatistiksel ölçümler kullanılmıştır. Sonuç olarak, SVM sınıflandırıcısı ile en yüksek sınıflandırıcı başarımı elde edilmiştir

🔖

Cite This Article

İŞLER, Y., İŞLER, Ö. (2019). Çok Fonksiyonlu Protez El Hareketleri İçin Uzman Sistem Tasarımı. Karaelmas Fen ve Mühendislik Dergisi, Cilt: 9 - Sayı: 2, 237–243. https://ajindex.com/articles/180594

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (16)

  1. Arieta, AH., Katoh, R., Yokoi, H., Wenwei, Y. 2006. Development of Multi-DOF Electromyography Prosthetic System Using the Adaptive Joint Mechanism. Appl. Bionics. Biomech., 3:101-112.
  2. Basmajian, MD., De Luca, CJ. 1985. Muscles Alive. ed: Williams & Wilkins, Baltimore. Boostani, R., Moradi, MH. 2003. “Evaluation of the Forearm EMG signal Features for the Control of a Prosthetic Hand. Physiol. Meas., 4(2):309-319.
  3. Dechev, N., Cleghorn, WL, Naumann, S. 2001
  4. Multiple Finger, Passive Adaptive Grasp Prosthetic Hand. J. Mech. Mach. Theory, 36:1157-1173.
  5. Duda, RO., Hart, PE., Stork, DG. 2001.
  6. Pattern Classification, John Wiley & Sons Inc., 2001.
  7. Eberhart, RC., Dobbins, RW. 1990.
  8. Neural Network PC Tools, Academic Press, San Diego, 1990.
  9. Englehart, K., Hudgin, B., Parker, PA. 2001. A Wavelet- Based Continuous Classification Scheme for Multifunction Myoelectric Control. IEEE T. BioMed. Eng., 48(3):302-311.
  10. Graupe, D., Cline, WK. 1975. Functional Separation of EMG Signals via ARMA Identification Methods for Prosthesis Control Purposes. IEEE Trans. Syst. Man. Cyber., 5(2):252- 259. Haihua, L., Xinhao, C., Yaguang, C. 2005. Wavelet Transform and Real-Time Learning Method for Myoelectric Signal in Motion Discrimination. First International Conference on Neural Interface and Control, 127-130.
  11. Isler, Y. 2017. Çok Fonksiyonlu Protez El Hareketleri İçin Yüzey EMG Sinyali Tabanlı Uzman Sistem Tasarımı. Akıllı Sistemlerde Yenilikler ve Uygulamaları Konferansı (ASYU’2017)
  12. Bildiri Özetleri Kitabı, ISBN: 978-605-84722-8-0, 36. Kamavuako, EN., Farina, D., Yoshida, K., Jensen, W. 2009. Relationship Between Grasping Force and Features of SingleChannel Intramuscular EMG Signals. J. Neurosci. Methods, 185(1):143-150.
  13. Kilby, J., Hosseini, HG. 2004. Wavelet Analysis of Surface Electromyography Signals. 26th Annual International Conference of the IEEE EMBS, 1: 384 – 387. Matrone, GC., Cipriani, C., Secco, EL., Maganes, G., Carrozza, MC. 2010. Principal Components Analysis Based Control of a Multi-DOF Underactuated Prosthetic Hand. J. Neuroeng. Rehabil., 7(16):1-13.
  14. M. Zardoshti, M., Wheeler, B., Badie, K., Hashemi, MR. 1995. EMG Feature Evaluation for Movement Control of Upper Extremity Prostheses. IEEE T. Bio-Med Eng., 3(4):324-333.
  15. Nishikawa, D., Yu, W., Yokoi, H., Kakazu, Y. 2002. On-Line Supervising Mechanism For Learning Data In Surface Electromyogram Motion Classifiers. Sys. Comput. Japan, 33(14): 1-11.
  16. Raez, MBI., Hussain, MS., Mohd-Yasin, F. 2006. Techniques of EMG Signal Analysi