Dergiler / Avrupa Bilim ve Teknoloji Dergisi / 2023 / Sayı: 51
KNN ve Random Forest Algoritmalarının EMG Sinyallerini Sınıflandırmadaki Başarısının Karşılaştırılması
- Sayı
- 2023 · Sayı: 51
- Sayfa
- 209–216
- DOI
- —
Özet
Günümüzde artan yaş ortalamasına ve yoğun iş hayatına bağlı olarak kas rahatsızlıkları da artmaktadır. Üst uzuvda kasa bağlı rahatsızlık gündelik hayatı olumsuz etkilemektedir. Kas hastalıklarının belrilenmesinde Elektromiyagrafi (EMG) kas sensörleri kullanılmaktadır. Daha doğru sonuçlar alabilmek için EMG sensörleri ile alınan verilerin sınıflandırması gerekmektedir. Yapılan bu çalışmada kas ölçüm aracı olarak kullanılan elektromiyagrafi (EMG) kas sensörleri ile üst uzuvdan veriler alınmış ve bu veriler makine öğrenmesinin sınıflandırma algoritmalarından olan ve diğer algoritmalara gore daha doğru sonuçlar veren KNN algoritması ve Rastgele Orman algoritmaları ile karşılaştırılmıştır. Kullanıcının üst uzvuna üç adet EMG kas sensörü takılmış ve mikrodenetleyici geliştirme kartı ile 0, 45 ve 90 derecelik açılarda veriler alınmıştır. Alınan veriler makine öğrenmesi algoritmaları ile eğitilmiş ve test edilmiştir. En yüksek doğruluk veren KNN ve Random Forest algoritmalarının doğruluk yüzdeleri bulunmuş ve sınıflandırmada kullanılacak algoritma seçilmiştir.
Abstract
Depending on the growing average age and busy work life, muscle disorders are also increasing. Disturbing use life hurts the upper limb due to casing. Electromyography (EMG) muscle sensors are used to detect muscle diseases. To obtain more accurate results, the perception of the data received with the EMG sensors is required. This evaluation was compared with electromyography (EMG) muscle sensors used as a muscle measurement tool and those taken from the upper limb and KNN explanations and Random Forest examinations, which are the predictions of machine learning in this context and give more accurate results than other effects. Three EMG muscle sensors are attached to the upper limb of the user and taken from 0o, 45o and 90o angles with the microcontroller development board. It has been read and tested with the resulting machine-learning readings. The percentages of the accuracy of the highest accuracy KNN and Random Forest locations were chosen for their assumptions and use in use.