EMG Sinyalleri Kullanılarak GoogLeNet ve Çok Seviyeli DPD ile El Tutma Hareketlerinin Sınıflandırılması

Abstract

Öz: Elektromiyografi (EMG) elektriksel aktiviteyi ölçmek için kullanılan bir yöntemdir. Bu yöntem günümüzde hastalık tespitinde kullanılmasıyla yaygınlaşmış olsa da robotik, protez kontrolü, video oyunları gibi popüler alanlarda yer edinmiştir. Bu çalışmada altı temel el hareketinin EMG sinyalleri kullanılarak sınıflandırılması amaçlanmıştır. Bu amaç doğrultusunda transfer öğrenme yaklaşımı kullanılmıştır. EMG sinyalleri çok seviyeli dalgacık paket dönüşümü (DPD) ile zaman-frekans (ZF) görüntülerine çevrilmiştir. Bütün kanallara ait ZF görüntülerinin %80’i birleştirilerek GoogLeNet mimarisini eğitmek için kullanılmıştır. Hareket tanımada başarımı artırmak için GoogLeNet’ten elde edilen öznitelikler Destek Vektör Makinesi (DVM) ile sınıflandırılmıştır. Önerilen yöntem altı temel el hareketini tanımada %98.833 doğruluk oranına sahiptir. Önerilen yöntem aynı veri setini kullanan yöntemler ile karşılaştırılmıştır. Yapılan karşılaştırmalar sonucunda önerilen yöntemin mevcut yöntemlerden %0.8 daha yüksek performans sergilediği görülmüştür. Deneysel çalışmalar önerilen yaklaşımın EMG ile hareket tanımada kullanılabilecek etkin ve verimli bir yöntem olduğunu göstermiştir.