Publication: Investigation of the effects of different arm positions and angles in sEMG-based hand gesture recognition on classification success
Loading...
Files
Date
2024-01-01
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Günlük yaşamda etkin bir şekilde kullanılması için tasarlanan yüzeysel elektromiyografi (sEMG) sinyal tabanlı
kontrol edilen aktif protezler ve insan makine etkileşimli sistemlerin kolun farklı açı ve pozisyonlarında da yüksek
doğrulukta çalışması önemlidir. Bu amaçla çalışmada kolun üç farklı pozisyonunda ve üç farklı açıda alınan sEMG
kayıtları, ivme ve jiroskop verileri ile desteklenerek dört farklı el hareketinin sınıflandırılması yapılmıştır.
Sınıflandırmada kullanılan veri (8 kanal sEMG, ivme ve jiroskop) 13 katılımcının sağ ön kolundan alınmıştır.
Çalışmada sEMG sinyallerinden altı adet, ivme ve jiroskop verilerinden de üç adet özellik kullanılarak veri seti
oluşturulmuştur. Sonuç olarak, farklı kol pozisyonlarının ve açılarının el hareketlerinin sınıflandırılmasını nasıl
etkilediği metodik olarak araştırılmıştır. Hareketin yapıldığı farklı kol pozisyonları ve açılar nedeniyle ortaya çıkan
olumsuz etkilerin ivme ve jiroskop verileri kullanılarak giderilip giderilemeyeceği noktasında da değerlendirmeler
yapılarak sınıflandırıcı performanslarına etkilerine yer verilmiştir. Sınıflandırıcı olarak Yapay Sinir Ağları (YSA)
ve Destek Vektör Makineleri (DVM) tercih edilmiştir. Beş farklı kategoride yapılan incelemelerde DVM
sınıflandırıcıları ortalama %83 başarı sağlarken YSA sınıflandırıcıları ortalama %82 başarı sağlamaktadır. Farklı
pozisyonlarda ivme ve jiroskop verilerinin hareket sınıflama performansına çok az bir katkı sunduğu belirlenmiştir.
Yapılan değerlendirme sonucu sEMG tabanlı bir sistemin eğitiminde ön kolun tüm pozisyon ve açılarında eğitim
verisinin toplanması sınıflandırma sonuçlarını iyileştirdiği tespit edilmiştir.
The effective operation of surface electromyography (sEMG) signal-based controlled active prostheses and humanmachine interaction systems in daily life is crucial to work with high accuracy in different angles and positions of the arm. In this study, sEMG recordings from three different positions and angles of the arm were combined with accelerometer and gyroscope data to classify four different hand movements. The classification data (8-channel sEMG, accelerometer, and gyroscope) were collected from the right forearm of 13 participants. To create the dataset, six features were extracted from sEMG signals and three from accelerometer and gyroscope data. As a result, the methodological investigation was carried out on how different arm positions and angles affect the classification of hand movements. Evaluations were also made regarding whether the adverse effects arising from different arm positions and angles of the movement could be mitigated using accelerometer and gyroscope data, and their effects on classifier performance were discussed. As classifiers, Artificial Neural Networks (ANN) and Support Vector Machines (SVM) were used. SVM classifiers achieved an average success rate of 83% in the five different categories of analysis, while ANN classifiers achieved an average success rate of 82%. It was found that accelerometer and gyroscope data in various positions contributed very little to the performance of movement classification. As a result of the evaluation, it was discovered that collecting training data in all positions and angles of the forearm improved classification results for a sEMG-based systems.
The effective operation of surface electromyography (sEMG) signal-based controlled active prostheses and humanmachine interaction systems in daily life is crucial to work with high accuracy in different angles and positions of the arm. In this study, sEMG recordings from three different positions and angles of the arm were combined with accelerometer and gyroscope data to classify four different hand movements. The classification data (8-channel sEMG, accelerometer, and gyroscope) were collected from the right forearm of 13 participants. To create the dataset, six features were extracted from sEMG signals and three from accelerometer and gyroscope data. As a result, the methodological investigation was carried out on how different arm positions and angles affect the classification of hand movements. Evaluations were also made regarding whether the adverse effects arising from different arm positions and angles of the movement could be mitigated using accelerometer and gyroscope data, and their effects on classifier performance were discussed. As classifiers, Artificial Neural Networks (ANN) and Support Vector Machines (SVM) were used. SVM classifiers achieved an average success rate of 83% in the five different categories of analysis, while ANN classifiers achieved an average success rate of 82%. It was found that accelerometer and gyroscope data in various positions contributed very little to the performance of movement classification. As a result of the evaluation, it was discovered that collecting training data in all positions and angles of the forearm improved classification results for a sEMG-based systems.
Description
Keywords
Sosyal ve Beşeri Bilimler, Sanat, İç Mimarlık, Mühendislik ve Teknoloji, Social Sciences and Humanities, Art, Interior Architecture, Engineering and Technology, Mühendislik Bilişim Ve Teknoloji (Eng), Sanat Ve Beşeri Bilimler (Ahci), Mühendislik, Sanat Ve Beşeri Bilimler, Mimari, Engineering Computing & Technology (Eng), Arts & Humanities (Ahci), Engineering, Arts & Humanities, Architecture, Fizik Bilimleri, Genel Mühendislik, Physical Sciences, General Engineering, artificial neural networks, EMG, hand gesture recognition, human machine interface, support vector machines, yapay sinir ağları, destek vektör makinesi, el hareket tanıma, insan makine etkileşimi
Citation
PARLAK E., BAŞPINAR U., "Investigation of the effects of different arm positions and angles in sEMG-based hand gesture recognition on classification success sEMG tabanlı el hareket tanımada farklı kol pozisyon ve açılarının sınıflandırma başarısına olan etkilerinin incelenmesi", Journal of the Faculty of Engineering and Architecture of Gazi University, cilt.40, sa.1, ss.297-312, 2024