SavedAdd your journal

Journals / Fırat Üniversitesi Mühendislik Bilimleri Dergisi / 2020 / Cilt: 32 - Sayı: 2

Fraktal Eğimden Arındırılmış Dalgalılık Analizi ve Pencereli Kare Ortalamanın Karekökü Tabanlı EMG Sınıflandırma

Ömer Faruk ALÇİN
Pages
359–368
Publication Date
2020-09-24
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)

Ayrıca, önerilen yöntem aynı veri setini kullanan diğer yöntemlerle karşılaştırıldığında daha iyi performansa sahiptir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Elektromiyografik (EMG) kas aktivitesini ölçmek için kullanılan faydalı bir tekniktir.
📊
Key Findings & Data:Önerilen yöntem, altı farklı nesne tutma eylemini içeren EMG veri seti ile test edilmiştir.
💡
Conclusion & Impact:Ayrıca, önerilen yöntem aynı veri setini kullanan diğer yöntemlerle karşılaştırıldığında daha iyi performansa sahiptir.
🔬Design:Research Article
📍Scope:Comprehensive Sample
⚙️Variables:EMG · fraktal eğimden arındırılmış dalgalılık analizi · pencereli kare ortalamalarının karekökü

Özet

Elektromiyografik (EMG) kas aktivitesini ölçmek için kullanılan faydalı bir tekniktir. EMG sinyalleri çoğunlukla protez, fiziksel rehabilitasyon, Nöromusküler bozuklukların teşhisi ve beyin-bilgisayar arayüzü gibi medikal uygulamalara yardımcı karar destek sistemlerinde kullanılır. Bu çalışmada EMG sinyallerini sınıflamak için kullanışlı bir yaklaşım önerilmiştir. Önerilen yöntemde, özellik çıkarma yöntemi olarak Fraktal Eğimden Arındırılmış Dalgalanma Analizi (F-EADA) ve örtüşmeyen pencereli Kök Ortalama Karesi (p-KOK) kullanılmıştır. F-EADA yöntemi korelasyon ve istatistiksel benzerliği ölçmek için kullanılan bir yöntemdir. KOK istatistiksel bir ölçüdür ve EMG tanıma sistemlerinde ayırt edici bir parametre olabilmektedir. p-KOK yaklaşımı geleneksel KOK yönteminden daha yeteneklidir ve bu ayırt edici yetenek deneysel sonuçlarla gösterilmiştir. Çıkarılan EMG öznitelikleri, Destek Vektör Makinesi (DVM), k-En Yakın Komşu (kEYK), Karar Ağacı (KA) ve Doğrusal Diskriminant Analizi (DDA) yöntemleri ile sınıflandırılmıştır. DVM Sınıflandırıcı bu yöntemler arasında en iyi performansa sahiptir. Önerilen yöntem, altı farklı nesne tutma eylemini içeren EMG veri seti ile test edilmiştir. Deneysel çalışmalar, önerilen yöntemin %96.83 doğruluk ile EMG veri setini sınıflamak için uygun olduğunu göstermiştir. Ayrıca, önerilen yöntem aynı veri setini kullanan diğer yöntemlerle karşılaştırıldığında daha iyi performansa sahiptir.

🔖

Cite This Article

ALÇİN, Ö. F. (2020). Fraktal Eğimden Arındırılmış Dalgalılık Analizi ve Pencereli Kare Ortalamanın Karekökü Tabanlı EMG Sınıflandırma. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 32 - Sayı: 2, 359–368. https://ajindex.com/articles/254016

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (16)

  1. Tuncer T, Sengul D, Subasi A. Surface EMG signal classification using ternary pattern and discrete wavelet transform based feature extraction for hand movement recognition. Biomedical Signal Processing and Control 2020; 58: 101872. Subasi A, Yaman E, Somaily Y, Alynabawi H A, Alobaidi F, Altheibani S. Automated EMG signal classification for diagnosis of neuromuscular disorders using DWT and bagging. Procedia Computer Science 2018; 140: 230-237.
  2. Gokgoz, E, Subasi A. Comparison of decision tree algorithms for EMG signal classification using DWT. Biomedical Signal Processing and Control 2015; 18: 138-144.
  3. Benazzouz A, Guilal R, Amirouche F, Slimane, Z E H. EMG Feature Selection for Diagnosis of Neuromuscular Disorders. 2019 International Conference on Networking and Advanced Systems (ICNAS); 26-27 June 2019;
  4. Annaba, Algeria: IEEE. pp. 1-5.
  5. Belkhou A, Achmamad A, Jbari A. Classification and Diagnosis of Myopathy EMG Signals Using the Continuous Wavelet Transform. 2019 Scientific Meeting on Electrical-Electronics & Biomedical Engineering and Computer Science (EBBT); 24-26 April 2019;
  6. Istanbul, Turkey: IEEE. pp. 1-4.
  7. Anil N, Sreeletha SH. EMG Based Gesture Recognition Using Machine Learning. 2018 Second International Conference on Intelligent Computing and Control Systems (ICICCS); 14-15 June 2018;
  8. Madurai, India: IEEE. pp. 1560-1564.
  9. Arozi M, Putri, FT, Ariyanto M, Caesarendra W, Widyotriatmo A, Setiawan, JD. Electromyography (EMG) signal recognition using combined discrete wavelet transform based on artificial neural network (ANN). 2016 2nd International Conference of Industrial, Mechanical, Electrical, and Chemical Engineering (ICIMECE); 6-7 Oct. 2016;
  10. Yogyakarta, Indonesia: IEEE. pp. 95-99.
  11. Mane SM, Kambli RA, Kazi FS, Singh, NM. Hand motion recognition from single channel surface EMG using wavelet & artificial neural network. Procedia Computer Science 2015; 49: 58-65.
  12. Duan F, Dai L, Chang W, Chen Z, Zhu C, Li W. sEMG-based identification of hand motion commands using wavelet neural network combined with discrete wavelet transform. IEEE Transactions on Industrial Electronics 2015; 63(3): 1923-1934.
  13. Duque CJG, Muñoz, LD, Mejía JG, Trejos ED. Discrete wavelet transform and k-nn classification in EMG signals for diagnosis of neuromuscular disorders. 2014
  14. XIX Symposium on Image, Signal Processing and Artificial Vision; 17-19 Sept. 2014;
  15. Armenia, Colombia: IEEE. pp. 1-5.
  16. Sapsanis, C., Recognition of basic hand movements using Electromyography, Diploma Thesis, Uni