setsci SETSCI Conference Proceedings 2687-5527 SET Technology 10.36287/setsci.4.6.076 fae3d0ce-8982-48e5-b2ae-eae7451f126c Çok Katmanlı Algılayıcı Yapay Sinir Ağı Kullanarak Packman Oyununda Yapılan El Hareketlerinin Sınıflandırılması Uzun Arslan Rukiye Yaman Gizem Kübra İşler Yalçın Zonguldak Bülent Ecevit University İzmir Katip Çelebi University 22 12 2019 9 266 269 © 2019 SET Technology 2019 SET Technology CC BY 4.0

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.

 Yapay sinir ağları, çok katmanlı algılayıcı, sınıflandırma, elektromiyogram, ayrık dalgacık dönüşümü 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. P. Konrad, ABC of EMG: A Practical Introduction To Kinesiological Electromyography, Noraxon USA, Inc., Arizona, USA, 2005. 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. 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. 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. 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. 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. M.J. Aminof, Clinical electromyography. In: Electrodiagnosis in Clinical Neurology, New York, USA: Churchill Livingstone, 1992. K. Biçen, “EMG (Elektromiyografi) kontrollü protez kol tasarımı,” Yüksek lisans tezi, Fen Bilimleri Enstitüsü, Mekatronik Mühendisliği Anabilim Dalı, Dokuz Eylül Üniversitesi, İzmir, Türkiye, 2011. L. Cai, Z. Wang, and H. Zhang, “An EMG classification method based on wavelet transform,” Proceedings of the First Joint BMES/EMBS Conference, 1999. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. R.O. Duda, P.E. Hart, and D.G. Stork, Pattern classification. 2nd Ed. New York: John Wiley and Sons, 2001.