AI Summary & Key Takeaways
AI InsightConsequently, FFT coefficients were trained in neural network and neuropathy and normal EMG signals were classified with correction rate of 97%
📌 3 Key Takeaways
Abstract
In this study, the fast Fourier transform (FFT) analysis was applied to EMG signals recorded from Abductor Pollicis Brevis (APB) First Dorsal Interosseous(FDI) ve Abductor Digiti Minimi(ADM) muscles of 59 patients. FFT coefficient obtained from the result of this application trained with backpropagation algorithm of artificial neural network (ANN) and classification for diagnosis was realized. Conjugate gradient and quickprop learning algorithms were used during this training. After 500 learning cycles (Epoch), performance values of test results was computed and compared. Consequently, FFT coefficients were trained in neural network and neuropathy and normal EMG signals were classified with correction rate of 97%
Özet
Bu çalışmada 59 hastaya ait Abductor Pollicis Brevis (APB) kası First Dorsal Interosseous (FDI) ve Abductor Digiti Minimi (ADM) kaslarına ait EMG işaretlerine Hızlı Fourier Dönüşümü (HFD) analizi uygulanmıştır. Bu uygulama sonucu elde edilen HFD katsayıları yapay sinir ağının (YSA) geriyayılım algoritmasıyla eğitilmiştir ve teşhis amaçlı sınıflama gerçekleştirilmiştir. Bu sınıflama esnasında Eşlenik gradyan ve hızlıprop öğrenme algoritmaları eğitim esnasında kullanılmıştır. 500 öğrenme çevriminden (epoch) sonra, her iki öğrenme algoritmasına ait performans değerleri hesaplanarak, karşılaştırmaları yapılmıştır. Sonuç olarak, HFD katsayıları geri yayılımlı yapay sinir ağıyla eğitilmiş ve neuropathy ve normal EMG sinyalleri %97 doğrulukla sınıflandırılmıştır