EMG Sinyalleri İçin Hibrid Öznitelik Çıkarma Yöntemi Geliştirilmesi

Abstract

Bu çalışmada EMG sinyalleri kullanılarak 14 farklı parmak hareketi önerilen yeni bir öznitelik çıkarma yöntemiyle sınıflandırılmıştır. EMG sinyallerinden parmak hareketlerinin tespiti / sınıflandırılması, ön işleme, özellik çıkarma ve sınıflandırma adımlarını içeren 3 ana adımdan oluşur. EMG sinyallerinin sınıflandırılmasında, sınıflandırıcının performansı doğrudan öznitelik çıkarma yöntemine bağlıdır. Bu sebeple öznitelik çıkarma yöntemi uygun bir biçimde seçilmelidir. Literatürde zaman, histogram ve frekans tabanlı birçok öznitelik çıkarma yöntemi vardır. Ancak bu yöntemler yüksek zaman karmaşıklığı, çok fazla işleme ihtiyaç duyma, fazla sayıda kontrol parametresi bulundurma, vb. birçok dezavantaja sahiptir. Bu çalışmada EMG sinyallerinden çeşitli parmak hareketlerinin sınıflandırılması amacıyla sayılan dezavantajları ortadan kaldırmak için yeni bir öznitelik çıkarma yöntemi sunulmuştur. Bu yöntem iki zaman tabanlı öznitelik çıkarma yönteminin hibritleştirilmesiyle elde edilmiştir. 10 kat çapraz doğrulamayla elde edilen deneysel sonuçlarına göre, önerilen yöntemin %97,48 doğruluk oranıyla bu çalışmada kullanılan diğer 9 öznitelik çıkarma yöntemlerinden daha iyi olduğu deneysel olarak gösterilmiştir. Deneysel sonuçlar istatistiksel yöntemlerle desteklenmiştir.

This study aims to discuss classification of 14 different finger movements from EMG signals by using new feature extraction technique. The detection/classification of finger movements consists of 3 main steps including, preprocessing, feature extraction and classification steps. In classification of EMG signals, the performance of the classifier directly depends on feature extraction methods, including, time, histogram and frequency-based methods. However, these feature extraction methods have several drawbacks including, high time complexity, high computation demand, user supplied parameters, etc. In this paper, a new feature extraction method has been proposed for the classification of finger movements from EMG signals to overcome these problems. The proposed method based on hybridization of 2-time domain feature extraction techniques. The use of this method resulted in an accuracy of 97.48% after 10-fold-cross-validation. The experimental results supported with statistical analysis show that proposed method is better than 9 feature extraction methods investigated in this paper