Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightSonuçlarımız bize işlevsel yakın kızılaltı spektroskopisi ve elektromiyografi verilerinin el hareketinin sınıflandırılmasında kullanılabileceğini ve bunun BBA sistemlerine de entegre edilebileceğini ortaya koymaktadır.
📌 3 Maddede Bu Makale
Özet
El hareketinin sınıflandırılması, özellikle inme rahatsızlığı geçiren kişilerde nörorehabilitasyon amaçlı beyin bilgisayar arayüzü (BBA) modellerinin geliştirilmesinde büyük önem arz etmektedir. Ancak, el hareketi odaklı BBA modellerinin geliştirilmesinde kullanılan kas ve beyin aktivitesi ölçüm modalitelerinin tek başlarına kullanılmasında, nörolojik adaptasyon ve bazı hasta gruplarının nöromusküler hastalık barındırması gibi çeşitli problemler bulunmaktadır. Bu çalışmada bir kavrama kuvveti görevi aracılığı ile gerçekleştirilen el hareketinin sonucu elde edilen işlevsel yakın kızılaltı spektroskopisi (iYKAS) ve elektromiyografi (EMG) sinyalleri kullanılarak el hareketinin sınıflandırılması gerçekleştirilmiştir. Bu sinyallerden çıkartılan öznitelikler, L1 norm tabanlı bir destek vektör makinesi (DVM) ile seçildikten sonra, K-en yakın komşuluk, doğrusal ve radyal temelli DVM, Gradyan Artırma, Adaboost, Naive Bayes, Doğrusal Diskriminant, Kuadratik Diskriminant ve Lojistik regresyon sınıflandırıcılarına verilmiştir. Sınıflandırıcıların başarımı, bir katılımcıyı dışarıda bırak (leave-one-subject-out) çapraz geçerliliği uygulanarak gerçekleştirilmiştir. Sınıflandırıcılar arasında en yüksek doğruluk yüzdesi, iYKAS ve EMG odaklı özniteliklerden faydalanılarak, Doğrusal Diskriminant metodu ile %84 olarak bulunmuştur. Sonuçlarımız bize işlevsel yakın kızılaltı spektroskopisi ve elektromiyografi verilerinin el hareketinin sınıflandırılmasında kullanılabileceğini ve bunun BBA sistemlerine de entegre edilebileceğini ortaya koymaktadır.
Abstract
Classification of hand movement is of great importance in the development of brain-computer interface (BCI) models for neurorehabilitation, particularly in stroke patients. However, there are various problems in the application of muscle and brain activity measurement modalities used in the performance of hand movement-oriented BCI systems, such as neurological adaptation and neuromuscular disease in some patient groups. In this study, classification of hand movement was performed using functional near infrared spectroscopy (iYKAS) and electromyography (EMG) signals obtained as a result of hand movement performed through a grip strength task. Features extracted from these signals are given to K-nearest neighbor, linear and radial basis SVM, Gradient Boost, Adaboost, Naive Bayes, Linear Discriminant, Quadratic Discriminant and Logistic regression classifiers after they are selected with an L1 norm-based support vector machine (SVM). The performance of the classifiers was achieved by applying the leave-one-subject-out cross-validation. Among the classifiers, the highest percentage of accuracy was found to be 84% with the Linear Discriminant method, using iYKAS and EMG focused features. Our results reveal that functional near-infrared spectroscopy and electromyography data can be used to classify hand movement and can be integrated into BCI systems.