Kol Emg Sinyallerinin Örüntü Tanıma Tabanlı Analizi ve Yapay Sinir Ağları İle Sınıflandırılması Pattern Recognition Based Analysis Of Arm Emg Signals and Classification With Artificial Neural Networks

Thanks to improving technology human life is consistently becoming easier. In points which exceeds human abilities machines come into play and they overcomes they remedy the deficiencies of human. One of the disciplines which must be evaluated in this coverage is manufacturing artificial hand for defective human which can manage with EMG signals. In this paper we tried to classify EMG signals which is belong to hands and arms who are limbs that human frequently use in daily life. It is demanded from 8 different able-bodied subjects to execute 7 different hand movements and it is inferred that obtained EMG signals are which class via artificial neural networks. In classification operations significant result is obtained. Keywords—Emg; Signal Processing; Artificial Limbs; Classification. I. GİRİŞ Miyoelektrik kontrol sistemleri, belirlenmiş iskelet kaslarının bulunduğu bölgenin deri yüzeyinden alınan miyoelektrik sinyaller (MES) ile tek bir protez uzvun isteğe bağlı kontrolünü sağlayan sistemlerdir. MES ile ilgili dikkat çeken ilk çalışmalar 1950’li yılların sonunda yapılmıştır[1][2]. Bu yıllarda elin açık ve kapalı işlevini kontrol edebilmek için iki ayrı kastan alınan MES’lerin değişim hızları veya genliklerinin kestirim özniteliklerinin kullanılması ile kontrol sisteminin gerçekleştirildiğini görmekteyiz[3][4]. Bu sistemler iyi sonuç vermelerine ve kolay uygulanabilir olmalarına karşın kontrol edilmek istenen her bir duruma ait bağımsız kasların kullanılması gerektiğinden çok fonksiyonlu kontrollerde yetersiz kalmışlardır[4]. Literatürde bu sistemler geleneksel miyoelektrik kontrol sistemler olarak adlandırılmıştır. 1970’lerden itibaren yarı iletken teknolojisindeki ilerlemeler mikroişlemcilerin hızlanması ve maliyetlerinin düşmesi kullanım alanlarını genişletmiştir. Miyoelektrik kontrol sistemlerinde mikroişlemcilerin kullanılması gelişmiş sinyal işleme yöntemlerini uygulama, yapay zeka tekniklerini kullanabilme, sinyal üzerinde daha duyarlı karmaşık filtreleme yapabilme ve daha da önemlisi kontrol edilen işlevlerin çeşitliliğini artıran örüntü tanıma tabanlı yeni bir miyoelektrik kontrol sistemine olanak sağlamıştır[5]. Örüntü tanıma tabanlı miyoelektrik kontrol sistemleri elektrotların belirli bir konumda tekrarlanabilir belirli kas grubu hareketlerinin örüntülerini tanımlayan özniteliklerin varsayımına dayanır[6]. Bu sistemler geleneksel miyoelektrik kontrol sistemlere göre daha fazla serbestlik derecesini kontrol edebilir. Çünkü işaretin alındığı kas bölgesi ve serbestlik derecesi arasında bire bir eşleme yapmaya gerek duymaz [6]. 978-1-4799-4874-1/14/$31.00 ©2014 IEEE Günümüzde araştırmacıların bir bölümü örüntü tanıma tabanlı yaklaşımın klinik uygulamalarda ve ticari sistemlerde henüz uygulanabilir olamamasından dolayı geleneksel kontrol yaklaşımı temelli, daha fazla serbestlik derecesini kontrol edebilen yeni yöntemlerin geliştirilmesi üzerinde çalışmaktadırlar. Bu yöntemlere son yıllarda ki ticari uygulamalarda da kullanılan paylaşımlı kontrol yöntemi[7][9] ve duyusal geri bildirimli kontrol yöntemleri örnek olarak verilebilir[8][9]. Örüntü tanıma tabanlı kontrol yaklaşımı üzerinde çalışan araştırmacılar ise çoklu serbestlik derecelerinin eş zamanlı ve oransal kontrolünü sağlayabilmek, az sayıda kanal kullanılarak daha fazla işlevsellik kazandırabilmek için çalışmaktadırlar [10][11][12]. Bu çalışmanın amacı örüntü tanıma tabanlı kontrol sistemi yaklaşımının klinik uygulamalarda kullanılabilirliğine katkı sağlamaktır. Bu sebeple EMG sinyalleri 2 kanaldan alınarak 7 hareketin iyi oranda sınıflandırılması hedeflenmiştir. EMG sinyallerine ait zaman ve zaman-frekans düzlemi özniteliklerinin 7 farklı hareketi sınıflandırabilme performansı yapay sinir ağlarıyla değerlendirilecektir. Çalışma 3 temel işlem adımından meydana gelmektedir. Bu adımlar EMG işaretlerinin elde edilmesi, özniteliklerin çıkartılması ve son olarak da sınıflandırma aşamalarıdır. II. EMG İŞARETLERİNİN ELDE EDİLMESİ EMG örüntülerini çıkartmak için kol uzuvlarında herhangi bir eksiklik veya işlev kaybı olmayan deneklerin dirseklerine referans elektrot yapıştırılmış, EMG sinyalleri fleksör ve ekstensör kas gruplarından alınmıştır. Kasların yeri el ile belirlenmiş ve orta bölgelerinin üzerine Bagnoli DELSYS Inc. Firması patentli 2 adet aktif yüzey elektrot yerleştirilmiştir. Bu elektrotlar yüzeyden alınan EMG sinyallerini 10 kat yükseltir ve ana yükseltece aktarır. Ana yükselteçte sinyal tekrar 1000 kat daha yükseltilmiştir. Yükseltilmiş EMG sinyalleri NI USB-6009 (14 bit, 48kS/s) analog sayısal dönüştürücü kart kullanılarak 1kHz örnekleme frekansı ile bilgisayar ortamına aktarılmıştır. Deneklerin her birinden 6 temel hareket 5 farklı oturumda alınmıştır. Her oturumda hareketin 5 saniye aralıklı 6 tekrarı istenmiş toplam 30 saniyelik veri alınmıştır. Serbest sınıfına ait veri her bir denekten 1 oturumda 60 saniye alınmıştır. Bu hareket sınıfları; Bilek Bükme(bb), Bilek Germe(bg), El Açma(ea), El Kapama(ek), Ön Kol İçeri(öi), Ön Kol Dışarı(od), ve Serbest(sb)’dir. III. ÖZNİTELİK ÇIKARTMA Öznitelikler için kararlı durum verileri kullanılmıştır[13]. Alınan her bir oturum kaydı belirli boydaki ayrık pencerelere bölünmüş, pencereler sabit kaydırılmış örtüşme uygulanmadan her bir pencereden öznitelikler çıkartılmıştır. EMG sinyallerine ait öznitelikler zaman düzlemi (ZD), frekans düzlemi ve zaman frekans düzlemi (ZFD) olmak üzere 3 gruba ayrılabilir. Bu çalışmada ZD ve ZFD düzlemi öznitelikleri kullanılmıştır. A. Zaman Düzlemi Öznitelikleri Zaman düzlemi öznitelikleri basit ve hızlı hesaplanabilir çünkü bu öznitelikler için herhangi bir dönüşüm işlemi yapılmaz[14]. Bu çalışmada sınıflandırma performansı yüksek ve yaygın kullanılan[15] ortalama mutlak değer, ortalama mutlak değer eğimi, sıfır geçiş tespiti sayısı, dalga boyu ve eğim gösterge değişikliği zaman düzlemi öznitelikleri ve Özbağlanım Katsayıları (AR) kullanılmıştır. 1) Ortalama Mutlak Değer (OMD) : Her bir pencerenin mutlak değerlerinin ortalamasını alınır (1). Diğer özniteliklerle birlikte kullanıldığında güçlü bir ayrıştırıcıdır. (1)’de, k penceredeki her bir veriyi, N pencere boyunu ve xi ise hesaplanan OMD değerini ifade eder. = ∑ | | (1) 2) Modifiye Edilmiş Ortalama Mutlak Değer Eğimi(mOMDE): Her bir pencerenin belirli sayıda bölünmesiyle oluşan alt pencerelerinin OMD değerleri farkıdır (2). Ardışık iki alt pencerenin OMD değeri birinden diğerine artış gösteriyor ise OMD eğimi pozitif çıkar bu durum alt pencereler arasında genliğin arttığı tersi durumda azaldığı bilgisini verir. Yaptığımız modifiye işleminde alt pencerelerin genlik değişimi bilgileri toplanarak (3) sinyalin pencereler arası genlik değişimleri daha hassas izlenmeye çalışılmıştır. 4 bölüt parametresi kullanılmış, sınıflandırma performansında iyileşme sağlanamamıştır. Hatta düşük pencere boyutlarında %2 oranında sınıflandırma doğruluğu düşüş göstermiştir. Buna rağmen öznitelik sayısı modifiye edilmemiş yönteme göre her bir pencere için 2/3 oranında azaltılmıştır. Δ xi = xi+1− xi , i = 1,..., I−1 (2)