Çok Katmanlı Algılayıcı Yapay Sinir Ağı Kullanarak Packman Oyununda Yapılan El Hareketlerinin Sınıflandırılması

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.

Electromyography is a noninvasive method that allows measurement of biological markers as a result of muscle activity. It is used as surface and needle electromyography according to the application purpose in two ways. In this study, seven different hand gestures (hand rest, hand punch, wrist bend, radial and ulnar deviation of the wrist) made by the individuals in the packman game in the „UCI Machine Learning Repository‟ database with open access over the internet were measured by using the data set of surface electromyogram signals tried to be classified. For this purpose, firstly, feature is extracted from data by discrete wavelet transform. Then, the extracted features were classified using the multi-layered sensor artificial neural network approach, which is widely used in the literature. In the classification process, artificial neural network was trained using simple cross validation algorithm, the algorithm and performance of the classifier were realized with Matlab2017a program.. The performance of the classifier has been investigated for the division of the data set at different rates and for different number of intermediate layers. The optimum network topology is obtained when the data set is divided by 20% -80% and the number of interlayers is 18, the highest performance is obtained as 91.67%.