USİNG DEEP LEARNİNG FOR MOVEMENT CLASSİFİCATİON EEG/EMG TYPE TİME SERİES

Abstract

Bu çalışmada, elektromiyografi (EMG) verilerinin derin öğrenme ile zaman serileri kullanılarak el hareketlerine göre sınıflandırılması yapılmıştır. Sinyal işleme ile yapılan sınıflandırma işlemlerinde Uzun-Kısa Süreli Bellek (LSTM) Ağları, zaman-frekans analizi ve sınıflandırma yöntemi aracılığı ile sonuç alınabilmektedir. Çalışmada kullanılan veri seti, Kaliforniya Üniversitesinin makine öğrenmesi deposundan alınmıştır. Çalışmada kullanılan bu veri setinde; 2 erkek ve aynı yaşlarda (yaklaşık 20-22) 3 kadın olmak üzere 5 sağlıklı bireyden alınan EMG verileri bulunmaktadır. Kas aktivasyonu hakkında bu bilgileri toplamak için bireylerin kollarının ön ve arka kısımlarına birer ön yüzey EMG elektrotu takılmıştır. Veriler; küresel aletleri kavrama (Spherical), küçük cisimleri parmak uçlarıyla tutma (Tip), nesneye bakacak şekilde avuç içiyle tutma (Palmar), ince/düz nesneleri tutma (Lateral), silindirik nesneleri tutma (Clyindrical) ve ağır cisimleri tutma. (Hook) olmak üzere 6 el hareketi yapılırken alınmıştır. Bu hareketlerin yapılması istendiği esnada hız ve kuvvet bireyin isteğine bırakılmıştır. Bireyler her bir hareketi 6 saniye boyunca yapmıştır ve her bir işlem (hareket) 30 defa tekrarlanmıştır. Sonuç olarak her birey için toplamda 180 adet 6 saniyelik uzun 2-kanallı EMG verisi kaydedilmiştir. Sinyallerin kaydedilmesi sırasında veri kayıplarını ve bozulmaları azaltmak amacıyla bitişik (adjacent) pencereleme yöntemi kullanılmıştır. Bu çalışmada kullanılan bitişik (adjacent) pencereleme yönteminde pencere boyutları sırasıyla; 0.05 sn (25 veri noktası), 0.10 sn (50 veri noktası), 0.15 sn (75 veri noktası), 0.20 sn (100 veri noktası) , 0.25 sn (125 veri noktası) ve 0.30 sn (150 veri noktası) seçilerek 6 durumda elde edilen başarım oranları kıyaslanmıştır. Bununla birlikte kullanılan farklı pencere boyutlarının sınıflandırma sonucuna nasıl etki ettiği incelenmiştir. Çalışmada 1. kanal verileri, 2. kanal verileri ve iki kanalın ortalaması alınarak elde edilen verilerin sınıflandırma işlemi ayrı ayrı yapılmıştır. Çalışmada verilerin %80 i eğitim amaçlı kullanılırken, %10 u doğrulama, kalan %10 u ise test amaçlı kullanılmıştır. Sınıflandırma işleminin sonucunda en iyi sonuç 150 veri noktası (0.30 sn) pencere boyutu ile alınan verilerden elde edilmiştir. 1. Kanala ait verilerin sınıflandırılması sonucu; eğitim verilerinin başarım oranı % 96,18, 2. kanala ait verilerin başarım oranı %99,34, iki kanal verilerinin ortalaması ile elde edilen verilerinin başarım oranı ise % 99,81 olarak belirlenmiştir.

In this study, electromyography (EMG) data is classified according to hand movements using time series with deep learning. In signal processing classification results can be obtained through Long-Short Term Memory Networks (LSTM), time-frequency analysis and classification method. The data set used in the study was taken from the University of California machine learning warehouse. In the dataset used in the study; EMG data are obtained from 5 healthy individuals (2 males and 3 females of the same age (approximately 20-22)). In order to gather this information about muscle activation, an anterior surface EMG electrode is attached to the anterior and posterior parts of individuals' arms. Dataset 6 is taken while doing hand gesture. These hand gestures are: for holding spherical tools (Spherical), for holding small tools (Tip), for grasping with palm facing the object (Palmar), for holding thin/flat objects (Lateral), for holding cylindrical tools (Clyindrical) and for supporting a heavy load (Hook).Speed and force are left to the individual's desire while these movements are desired. The individuals performed each movement for 6 seconds and each process (movement) is repeated along 30 times. As a result, 180 6-second long 2-channel EMG data were recorded for each individual. In order to reduce data loss and distortion during recording of signals, adjacent windowing method is used. In adjacent windowing method used in this study, window sizes are as follows; selecting 0.05 sec (25 data points), 0.10 sec (50 data points), 0.15 sec (75 data points), 0.20 sec (100 data points), 0.25 sec (125 data points) and 0.30 sec (150 data points). the performance rates obtained were compared. While 80% of the data are used for training purposes, 10% are used for validation and the remaining 10% are used for testing purposes. As a result of the classification process, the best result was obtained from the data received with a window size of 150 data points (0.30 sec). As a result of classification of the data of the first channel; The success rate of the training data is 96.18%, the performance rate of the second channel data is 99.34%, and the performance rate of the data obtained by the average of the two channel data is 99.81%.