Publication:
Investigation of the effects of different arm positions and angles in sEMG-based hand gesture recognition on classification success

Simple item page
dc.contributor.authorBAŞPINAR, ULVİ
dc.contributor.authorsPARLAK E., BAŞPINAR U.
dc.date.accessioned2024-09-12T08:31:30Z
dc.date.available2024-09-12T08:31:30Z
dc.date.issued2024-01-01
dc.description.abstractGünlük 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.
dc.description.abstractThe 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.
dc.identifier.citationPARLAK 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
dc.identifier.doi10.17341/gazimmfd.1135737
dc.identifier.endpage312
dc.identifier.issn1300-1884
dc.identifier.issue1
dc.identifier.startpage297
dc.identifier.urihttps://avesis.marmara.edu.tr/api/publication/d545a1e5-f5f7-4109-ab19-e303c5583088/file
dc.identifier.urihttps://hdl.handle.net/11424/297699
dc.identifier.volume40
dc.language.isotur
dc.relation.ispartofJournal of the Faculty of Engineering and Architecture of Gazi University
dc.rightsinfo:eu-repo/semantics/openAccess
dc.subjectSosyal ve Beşeri Bilimler
dc.subjectSanat
dc.subjectİç Mimarlık
dc.subjectMühendislik ve Teknoloji
dc.subjectSocial Sciences and Humanities
dc.subjectArt
dc.subjectInterior Architecture
dc.subjectEngineering and Technology
dc.subjectMühendislik Bilişim Ve Teknoloji (Eng)
dc.subjectSanat Ve Beşeri Bilimler (Ahci)
dc.subjectMühendislik
dc.subjectSanat Ve Beşeri Bilimler
dc.subjectMimari
dc.subjectEngineering Computing & Technology (Eng)
dc.subjectArts & Humanities (Ahci)
dc.subjectEngineering
dc.subjectArts & Humanities
dc.subjectArchitecture
dc.subjectFizik Bilimleri
dc.subjectGenel Mühendislik
dc.subjectPhysical Sciences
dc.subjectGeneral Engineering
dc.subjectartificial neural networks
dc.subjectEMG
dc.subjecthand gesture recognition
dc.subjecthuman machine interface
dc.subjectsupport vector machines
dc.subjectyapay sinir ağları
dc.subjectdestek vektör makinesi
dc.subjectel hareket tanıma
dc.subjectinsan makine etkileşimi
dc.titleInvestigation of the effects of different arm positions and angles in sEMG-based hand gesture recognition on classification success
dc.title.alternativesEMG tabanlı el hareket tanımada farklı kol pozisyon ve açılarının sınıflandırma başarısına olan etkilerinin incelenmesi
dc.typearticle
dspace.entity.typePublication
local.avesis.idd545a1e5-f5f7-4109-ab19-e303c5583088
local.indexed.atSCOPUS
relation.isAuthorOfPublication871cff99-4107-488b-bd17-6370f89e619b
relation.isAuthorOfPublication.latestForDiscovery871cff99-4107-488b-bd17-6370f89e619b

Files

Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
file.pdf
Size:
969.14 KB
Format:
Adobe Portable Document Format
Download

Collections

Research Outputs