Konvolüsyonel sinir ağını kullanarak EMG sinyallerinin sınıflandırılması

Abstract

An electrical signal is produced by the contraction of the muscles, this electrical signal contain information about the muscles, the recording of these signals called electromyography (EMG). This information is often used in studies such as prosthetic arm, muscle damage detection and motion detection. Classifiers such as artificial neural networks, support vector machines are generally used for classification of EMG signals. Despite successful results with such methods the extraction of the features to be given to the classifiers and the selection of the features affect the classification success. In this thesis, it is aimed to increase the classification success of the daily used hand movements using the Convolutional Neural Networks (CNN), which is one of the machine learning methods. The advantage of the deep learning methods like CNN is that the relationships in big data are learned by the network. Firstly, the received EMG signals for forearm are windowed to increase the number of data and focus on the contraction points. Then, to compare the success rate, raw signals, Fourier transform of the signal, the root mean square and the Empirical Mode Decompositions (EMD) of the signals are given to four different CNN. Afterwards, to find the most efficient parameters, the results were obtained by dividing data set into three as 70% training set, 15% validation set and 15% test set. In order to test the performance of the system, 5-fold cross validation was applied. The best results are obtained from the CNN, which receive the EMD applied signal as input. Final results obtained with the cross validation is 95.90%, where 93.70% accuracy is reached without cross-validation. When the results were examined, it was seen that the designed CNN were successful in the classification of the EMG signals.Kasların kasılmasıyla ortaya bir elektrik sinyali çıkar ve bu elektrik sinyali kaslar hakkında bilgiler içerir ve bu sinyallerin kaydedilmesine elektromiyografi (EMG) denir. Bu bilgiler, protez kol, kas hasarı tespiti ve hareket tespiti gibi çalışmalarında sıklıkla kullanılır. EMG sinyallerinin sınıflandırılmasında genellikle yapay sinir ağları, destek vektör makineleri gibi sınıflandırıcılar kullanılır. Bu tip yöntemlerle çok başarılı sonuçlar alınmasına karşın sınıflandırıcılara verilecek özniteliklerin çıkarılması ve en yararlı özniteliklerin seçimi, sınıflandırma başarısını çok etkilemektedir. Bu tezde, makine öğrenmesi yöntemlerinden birisi olan evrişimsel sinir ağları (ESA) ile ön koldan alınan EMG sinyalleri kullanılarak günlük kullanılan el hareketlerinin sınıflandırma başarısının arttırılması hedeflenmiştir. ESA gibi derin öğrenme yöntemlerinin avantajı büyük veri içindeki ilişkilerin ağ tarafından öğrenilmesidir. Öncelikle alınan EMG sinyali pencerelenerek hem veri sayısı arttırılmış hem de hareketin olduğu noktalara odaklanılması sağlanmıştır. Bunun ardından başarı oranını karşılaştırmak için ham sinyaller, sinyallerin Fourier dönüşümü, kare ortalamasının kökü ve sinyallerin Ampirik Modları 4 farklı evrişimsel sinir ağına verilmiştir. Sonrasında en verimli parametreleri bulmak için ilk olarak %70 eğitim seti %15 doğrulama seti ve %15 test seti olacak şekilde üçe bölünüp sonuçlar alınmıştır. Sitem performansını test etmek içinse beşli çapraz doğrulama uygulanmıştır. En iyi sonuçlar giriş sinyaline EMD uygulanmış sinyal olan evrişimsel sinir ağılarından alınmıştır. Çapraz doğrulama yöntemi ile alınan sonuç %95.90 ve diğer ayırma yöntemiyle alınan sonuç %93.70dir. Sonuçlar incelendiği zaman tasarlanan evrişimsel sinir ağlarının kullanılan EMG sinyallerinde başarılı olduğu görülmüştür.