Rehabilitasyon cihazlarını destekleyen robotik sistemler ve el fonksiyonlarını karşılayan robotik protezlerin de iyileşme arzusu, iskelet cihazlarının geliştirilmesinde büyük rol oynamıştır. Yüzey elektromiyografi (sEMG) sinyallerinin kullanıldığı bu tür cihazlarda protez kontrolünün gerçekleşebilmesi için sinyallerin özelliklerinin bilinmesi ve bu özellikler sayesinde el hareketlerinin sınıflandırılması mümkün hale gelir. Bu çalışmasında Myo TM Armbandı (Akıllı Kol Bant) tarafından elde edilmiş olan, yüzey elektromiyografik sinyallerinin benzer hareketleri ayırt etmede sınıflandırılması amaçlanmaktadır. Bu çalışmada kullandığım 225 katılımcıdan alınan ve benzer el hareketi yapılmış olan açık kaynak EMG veri setini, öncelikle ön işleme adımlarından geçirildikten sonra, özellik çıkarımı adımları gerçekleştirilmiştir. Çıkarılan on özellik sınıflandırıcıya girdi olarak verilmiştir. Sınıflandırıcı olarak sırasıyla Karar ağaçları (Decision Trees), Destek vektör makineleri (SVM), Toplu Öğrenme (Ensemble learning), yakın K- en komşu algoritmaları (k-NN) denenmiş olup; bu algoritmalar içinde doğruluk başarısı diğer algoritmalara oranla %87.6 olarak en yüksek k- en yakın komşu algoritması ile elde edilmiştir.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.