KaydedilenlerDerginizi ekleyin

Dergiler / Politeknik Dergisi / 2002 / Cilt: 5 - Sayı: 1

Yapay sinir ağları kullanılarak EMG sinyallerinin sınıflandırılması ve neuropathy kas hastalığının teşhisi

Classification of EMG signals using artificial neural network and diagnosis of neuropathy neuromuscular disease

Fırat HARDALAÇ
Mustafa POYRAZ
Sayfa
75–81
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Sonuç olarak, HFD katsayıları geri yayılımlı yapay sinir ağıyla eğitilmiş ve neuropathy ve normal EMG sinyalleri %97 doğrulukla sınıflandırılmıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez: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.
📊
Temel Bulgular & Veri: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 & Katkı:Sonuç olarak, HFD katsayıları geri yayılımlı yapay sinir ağıyla eğitilmiş ve neuropathy ve normal EMG sinyalleri %97 doğrulukla sınıflandırılmıştır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:59 hasta
⚙️Değişkenler:Alan Parametreleri

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.

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%.

🔖

Bu Makaleye Atıf Yap

HARDALAÇ, F., POYRAZ, M. (2002). Yapay sinir ağları kullanılarak EMG sinyallerinin sınıflandırılması ve neuropathy kas hastalığının teşhisi. Politeknik Dergisi, Cilt: 5 - Sayı: 1, 75–81. https://ajindex.com/articles/307281

Kaynakça (2)

  1. Amihof M. J. 'Clinical electromyography. In: Electrodiagnosis in Clinical Neurology. 3r d ED Ed.: M.J Aminoff. New York: Churchill Livingstone.,1992 2. Cichocki, Andrzej 0471930105 Neural networks for optimization and signal processing Wiley Chichester 1996 3. Hudson D. L., and Cohen E. M.,"Neural network and artificial intelligence for biomedical engineering", IEEE press, New York, 2000 4. David C. Breston, Shapiro B. E., "Electromyography and neuromuscular disorders", Butterworth-Heinemann, USA, 1998 5. Hardalac F., "Transcranial doppler sinyalleri için en iyi spektral analiz metodunun belirlenmesi", Fırat Üniv, Doktora tezi, 1997 6. Steven M. K., "Modern spectral estimation", Prentice-Hall signal processing series, 1998 7. Chen, J. D. Z., Lin, Z., Wu, Q, and McCallum, R.W. "Non-invasive identification of gastric contractions from surface electrogastrogram using backpropagation neural network", Med Eng Phys, 17(3):219-225, 1995 8. Wing-Fai Chang, Man-Wai Mak, "A eşlenik gradyan learning algorithm for recurrent neural networks", Neurocomputing 24 173-189, 1999. 9.Fahlman S. E. "Faster learning variations on backpropagation: An emprical stufy",Procedings of the 1988
  2. Conectionist Model Summer School, San Mateo, CA:Morgan Kaufmann, 38-51,1988 10.Greger G. Andersson and Peter Kaufmann, "Development of a generalized neural network", Chemometrics and Intelligent Laboratory Systems, Volume 50, Issue 1, Pages 101-105,2000.