Journals Books 2687-5527 doi.org/10.36287/setsci
Latest Issue Archive Future Issues About Us
Conference Proceedings

SETSCI - Volume 4 (6) (2019)
ISAS WINTER-2019 (ENS) - 4th International Symposium on Innovative Approaches in Engineering and Natural Sciences, Samsun, Turkey, Nov 22, 2019

Çok Katmanlı Algılayıcı Yapay Sinir Ağı Kullanarak Packman Oyununda Yapılan El Hareketlerinin Sınıflandırılması
Rukiye Uzun Arslan1, Gizem Kübra Yaman2, Yalçın İşler3*
1Zonguldak Bülent Ecevit University, Zonguldak, Turkey
2Zonguldak Bülent Ecevit University, Zonguldak, Turkey
3İzmir Katip Çelebi University, İzmir, Turkey
* Corresponding author: islerya@yahoo.com
Published Date: 2019-12-22   |   Page (s): 266-269   |    168     2
https://doi.org/10.36287/setsci.4.6.076

ABSTRACT Elektromiyografi, kas aktivitesi sonucunda meydana gelen biyolojik işaretlerin ölçülmesine olanak sağlayan invaziv olmayan bir yöntemidir. Yüzey ve iğne elektromiyografisi olarak uygulama amacına göre iki şekilde kullanılmaktadır.  Bu çalışmada internet üzerinden açık erişime sahip ‘UCI Machine Learning Repository’ veri tabanında bireylerin packman oyununda yapmış oldukları yedi farklı el hareketi (el dinlenimde, el yumruk yapıldığında, bilek büküldüğünde, bilekte radyal ve ulnar sapma olması durumunda), bireylerden ölçülen yüzey elektromiyogram sinyalleri veri seti kullanarak sınıflandırılmaya çalışılmıştır. Bu amaçla ilk olarak verilerden ayrık dalgacık dönüşümüyle öznitelik çıkarımı yapılmıştır. Daha sonra çıkarılan öznitelikler literatürde çok yaygın olarak kullanılan çok katmanlı algılayıcı yapay sinir ağı yaklaşımı kullanılarak sınıflandırılmıştır. Sınıflandırma sürecinde yapay sinir ağı basit çapraz doğrulama algoritması kullanılarak eğitilmiştir ve sınıflandırıcının algoritması ile başarımı Matlab2017a programıyla gerçekleştirilmiştir. Sınıflandırıcının başarımı veri setinin farklı oranlarda bölünmesi ve farklı ara katman sayıları için araştırılmıştır. Optimum ağ topolojisi veri setinin %20-%80 oranında eğitim ve test verisi olarak bölünmesi ve ara katman sayısının 18 olması durumunda en yüksek başarım %91,67 olarak elde edilmiştir.
KEYWORDS Yapay sinir ağları, çok katmanlı algılayıcı, sınıflandırma, elektromiyogram, ayrık dalgacık dönüşümü
REFERENCES [1] M.Z. Al Faiz and A.H. Miry, Artificial Human Arm Driven by EMG
MATLAB - A Fundamental Tool for Scientific Computing and
Engineering Applications, Ed. In Katsikis VN,. Intech Open, Greece,
2012.
[2] P. Konrad, ABC of EMG: A Practical Introduction To
Kinesiological Electromyography, Noraxon USA, Inc., Arizona, USA,
2005.
[3] S.A. Güvenç, “Ön kol yüzey EMG sinyallerinin örüntü tanıma tabanlı
analizi ve yapay sinir ağları ile sınıflandırılması,” Yüksek lisans tezi,
Bilgisayar Mühendisliği Anabilim Dalı, Fen Bilimleri Enstitüsü,
Karadeniz Teknik Üniversitesi, Trabzon, Türkiye, 2014.
[4] S. Yağcıoğlu, “El hareketlerinin elektromiyogram sinyalleri ve
yardımcı sensör verileri ile sınıflandırılması”, Yüksek lisans tezi, Fen
Bilimleri Enstitüsü, Elektronik ve Haberleşme Mühendisliği Anabilim
Dalı Biyomedikal Mühendisliği Programı, İstanbul Teknik
Üniversitesi, İstanbul, Türkiye, 2016.
[5] H.J. Hermens, B. Freriks, C. Disselhorst-Klug and G. Rau,
“Development of recommendations for sEMG sensors and sensor
placement procedures”, J Electromyogr Kinesiol, vol.10(5), pp.361-
74, 2000.
[6] C. Tepe, “EMG işareti ile protez elin değişken hızla denetimi:
Donanım, yazılım ve algoritmik yöntemler”, Doktora tezi, Fen
Bilimleri Enstitüsü, Elektrik-Elektonik Mühendisliği Anabilim Dalı,
Ondokuz Mayıs Üniversitesi, Samsun, Türkiye, 2014.
[7] O. Erkaymaz, İ. Şenyer, and R. Uzun, “Yüzey EMG sinyallerinden
diz anormalliğinin yapay sinir ağları ile tespiti”, IEEE 25. Sinyal
İşleme ve İletişim Uygulamaları Kurultayı, Malatya, 2017, p.16-19.
[8] M.J. Aminof, Clinical electromyography. In: Electrodiagnosis in
Clinical Neurology, New York, USA: Churchill Livingstone, 1992.
[9] K. Biçen, “EMG (Elektromiyografi) kontrollü protez kol tasarımı,”
Yüksek lisans tezi, Fen Bilimleri Enstitüsü, Mekatronik Mühendisliği
Anabilim Dalı, Dokuz Eylül Üniversitesi, İzmir, Türkiye, 2011.
[10] L. Cai, Z. Wang, and H. Zhang, “An EMG classification method
based on wavelet transform,” Proceedings of the First Joint
BMES/EMBS Conference, 1999.
[11] F. Hardalaç and M. Poyraz, “Classification of EMG signals using
artificial neural network and diagnosis of neuropathy neuromuscular
disease,” Journal of Polytechic, vol. 5, pp. 75-81, 2002.
[12] N.F. Güler and S. Koçer, “Classification of EMG signals using PCA
and FFT,” Journal of Medical Systems, vol. 29(3), pp. 241-50, 2005.
[13] A. Subasi, M. Yilmaz, and H.R. Ozcalik. “Classification of EMG
signals using wavelet neural network,” Journal of Neuroscience
Methods. Vol. 156, pp. 360-367, 2006.
[14] M.F. Lucas, A. Gaufriau, S. Pascual, S. Doncarli, and D. Farina,
“Multi-channel surface EMG classification using support vector
machines and signal-based wavelet optimization,” Biomedical Signal
Processing and Control, vol. 3(2), pp. 169-174, 2008.
[15] S. Koçer, “Classification of EMG signals using neuro-fuzzy system
and diagnosis of neuromuscular diseases,” Journal of Medical
Systems, vol. 34(3), pp. 321–329, 2010.
[16] G. Akgün, M. Demetgül ve E. Kaplanoğlu, “EMG sinyallerinin
öznitelik çakarımı ve geri yayılımlı yapay sinir ağı algoritması ile
sınıflandırılması,” Otomatik Kontrol Ulusal Toplantısı, Malatya,
2013.
[17] R. Uzun, O. Erkaymaz, İ. Senyer Yapici, “Comparison of artificial
neural network and regression models to diagnose of knee disorder in
different postures using surface electromyography,” Gazi University
Journal of Science, vol. 31(1), pp. 100-110, 2018.
[18] B. Taşar, A.K. Tanyıldızı, O. Yakut ve A. Gülten, “EMG
sinyallerinin anlamlandırılması için radyal fonksiyonlu yapay sinir ağı
tasarımı,” Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi,
vol. 10(1), pp. 153-159, 2018.
[19] Y. Koçyiğit ve M. Korürek, “EMG işaretlerini dalgacık dönüşümü ve
bulanık mantık sınıflayıcı kullanarak sınıflama,” İstanbul Teknik
Üniversitesi Dergisi, vol. 4(3), pp. 25-31, 2005.
[20] G. Özmen, Y. Özbay ve A.H. Ekmekçi, “EMG sinyallerinde kas
yorgunluğunun YSA ile sınıflandırılması,” Tıp Teknolojileri Ulusal
Kongresi, Nevşehir, 25 – 27 Eylül 2014, p.279- 282.
[21] A. Dobrowolski, M. Wierzbowski, and K. Tomczykiewicz,
“Multiresolution MUAPs decomposition and DVM-based analysis in
the classification of neuromuscular disorders,” Comput Methods Prog
Biomed, vol. 107(3), pp. 393-403, 2012.
[22] Y. Kutlu, Y. Isler, D. Kuntalp ve M. Kuntalp, “Çok katmanlı ağ
yapıları kullanılarak diken dalgaların algılanması,” IEEE 14. Sinyal
İşleme ve İletişim Uygulamaları Kurultayı, Antalya, 17-19 Nisan
2006, p. 95.
[23] R.O. Duda, P.E. Hart, and D.G. Stork, Pattern classification. 2nd Ed.
New York: John Wiley and Sons, 2001.


SET Technology - Turkey

eISSN  : 2687-5527    
DOI : doi.org/10.36287/setsci

E-mail : info@set-science.com
+90 533 2245325

Tokat Technology Development Zone Gaziosmanpaşa University Taşlıçiftlik Campus, 60240 TOKAT-TURKEY
©2018 SET Technology