Değişen kol pozisyonlarında ön koldan ölçülen sEMG sinyalleri ve ataletsel veriler kullanılarak el hareketlerinin sınıflandırılması

Abstract

MYO bileklik gibi çeşitli veri toplama araçlarıyla ön koldan ölçülen EMG sinyalleri işlendiğinde kişinin yaptığı hareketler tahmin edilebiliyor. Uygulamalarda tahmin tutarlılığı kişiye veya çeşitli çevre etkilerine göre azalabilir. Kol kaslarının yorulması, ciltteki ter, elektrotlardan kaynaklanan gürültüler alınan verilerin kalitesini etkileyebilir. Bunlara ek olarak aynı hareketi yaparken kolun ve bileğin değişen pozisyonları EMG sinyallerinin değişiminde önemli rol oynar. Bu çalışmada 13 kişinin sağ kolundan alınan veriler kullanılarak yaptığı el hareketi, bilek açısı ve kol pozisyon bilgisi bulunmak istenmiştir. Bunun için toplanan veriler ile yapay sinir ağı ve destek vektör makinaları kullanılarak hareket ve pozisyonlar birbirinden ayrılmak istenmiştir. İkisi bilek hareketi olmak üzere toplam dört ayrı hareket, toplam 3 ayrı bilek açısı ve 3 ayrı kol pozisyonu, kombinasyonlarla yapılarak hareket tanıma, hareket ve bilek açısı tanıma ve hareket, bilek açısı ve kol pozisyonu tanıma olmak üzere üç farklı sınıfta incelenmiştir. Tahmin doğruluğunu arttırmak için MYO bileklik üzerinde bulunan jiroskop ve ivme sensor verileri de ikinci ve üçüncü sınıfların eğitiminde kullanılmıştır. MYO bileklik 8 kanala sahiptir ve bu kanallar farklı kas ve kas grupları üzerine denk gelmektedir. Bu kanallar üzerinde alınan verilerden hareket bölgeleri çıkartılıp bu hareket bölgelerinden çıkarılan özellikler eğitimde kullanılır. Çalışma kaydedilmiş veriler üzerinden yapıldığı için çevrimdışı olarak 5 farklı grupta sınıflama yapılmıştır. Yapılan çalışmaya göre farklı kol pozisyonlarında ve farklı bilek açılarında ayrı ayrı yapılan sınıflama sonuçlarının %73,5 ile %92,5 arasında değiştiği görülmüştür. Aynı kol pozisyonu ve farklı bilek açılarında yapılan el hareket tanıma başarısı minimum %74,17 maksimum %92,5 olarak tespit edilmiştir. Çalışmada ayrıca sadece EMG sinyali ile kol pozisyonunun ve/ veya bilek açısının tespit edilip edilemeyeceği araştırılmıştır. Elde edilen sonuçlara göre sadece EMG sinyali ile tespitin yetersiz olduğu, ivme verisinin eklenmesiyle başarının fark edilir oranda arttığı tespit edilmiştir. İvme ve jiroskop verilerinin farklı kol pozisyonlarında el hareket sınıflandırmaya olan etkisi incelendiğinde ivme ve jiroskop verilerinin el hareket tanımaya bazı kol pozisyonlarında pozitif etki ettiği, bazılarında negatif etki ettiği ve bazılarında ise etkisi olmadığı tespit edilmiştir. Sonuç olarak ivme ve jiroskop verilerinin el hareket sınıflandırmalarında ön görülebilir bir katkı sunmadığı anlaşılmaktadır. Bu tez çalışması kapsamında yapılan bir diğer araştırma ise YSA ve DVM sınıflayıcılarının performanslarının karşılaştırılmasıdır. Karşılaştırma sonucunda DVM’nin sınıflama performanslarının daha yüksek olduğu tespit edilmiştir.

When EMG signals measured from the forearm are processed with various data collection tools such as MYO armband, the movements of the person can be estimated. In applications, the prediction consistency may decrease depending on the person or various environmental effects. For example, exhaustion of the arm muscles, skin sweat, and noises from electrodes can affect the quality of the data received. In addition, changing positions of the arm and wrist play an important role in the change of EMG signals while performing the same movement. In this study, it was aimed to find hand movement, wrist angle and arm position made by 13 people using data from the right arm. For this, with the data collected, the artificial neural network and support vector machines are used to separate the movements and positions. Four different movements, two of which are wrist movements, a total of 3 different wrist angles and 3 different arm positions, have been examined in three different classes as motion recognition, motion and wrist angle recognition and motion, wrist angle and arm position recognition. Gyroscope and acceleration sensor data on MYO wristband were also used in the training of the second and third grades to increase the accuracy of the prediction. MYO armband has 8 channels, and these channels correspond to different muscle and muscle groups. Motion zones are extracted from the data received on these channels and features extracted from these motion zones are used in training. Since the study was conducted on the recorded data, classification was made offline in 5 different groups. According to the study, it was seen that the results of the classification made separately at different arm positions and different wrist angles varied between 73.5% and 92.5%. The hand gesture recognition success in the same arm position and different wrist angles was determined as a minimum of 74.17% and a maximum of 92.5%. In the study, it was also investigated whether the arm position and/ or wrist angle could be detected with the EMG signal alone. According to the results obtained, it was determined that detection with only the EMG signal was insufficient, and the success increased noticeably with the addition of acceleration data. When the effect of acceleration and gyroscope data on hand gesture classification in different arm positions was examined, it was determined that acceleration and gyroscope data had a positive effect on hand motion recognition in some arm positions, had a negative effect on some, and had no effect on others. As a result, it is understood that acceleration and gyroscope data do not make a predictable contribution to hand gesture classification. Another research carried out within the scope of this thesis is the comparison of the performances of ANN and SVM classifiers. As a result of the comparison, it has been seen that the classification performances of SVM are higher.