EMG based classification of percentage of maximum voluntary contraction using artificial neural networks

Hickman, Stephen D; Alba-Flores, Rocio; Ahad, Md. Atiqur Rahman

doi:10.1109/dcas.2014.6965337

Cited by 3 publications

(1 citation statement)

References 12 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…EMG sinyalleri deri üzerinden yüzeysel elektrotlar ile alınabildiği gibi, iğne elektrotlar ile doğrudan kastan da alınabilir. EMG sinyalleri simetrik olmayan bir yapıdadır ve kasılma sonucu birçok kas lifinde oluşan biyopotansiyel işaretin toplamı olarak ölçülebilirler (Hickman, 2014).…”

Section: Introductionunclassified

FFT Analysis and Motion Classification of EMG Signals

Akgün

Demir

Yıldırım

2022

BBD

View full text Add to dashboard Cite

Bu çalışmada EMG sinyallerinin frekans analizi yapılarak elde edilen veriler ile hareket sınıflandırması yapmak amaçlanmıştır. Üç kanaldan toplanan EMG sinyalleri uygun pencerelere ayrılarak her bir pencereye” hilbert “ zarflama yöntemi uygulanmış ve FFT katsayıları hesaplanmıştır. Kaydedilen EMG sinyallerinin frekans spektrumları incelenmiştir. Bu katsayıları ile bir sınıflandırma algoritmasında kullanmak amacıyla her bir pencerenin ağırlıklı frekans bileşeni hesaplanmıştır. Elde edilen veriler YSA (Yapay sinir Ağları) algoritmasının eğitilmesi amacıyla kullanılmış ve bu işlem EMG sinyallerinin sınıflandırılması amacıyla kullanılmıştır. Sınıflandırma işlemi sonucunda özellikle aynı kas gruplarındaki kasılma kuvvetleri ile birbirinden ayırt edilebilen hareketlerin yalnızca frekans domeninde değil zaman domeninde de incelenmesi gerektiği sonucuna varılmıştır.

show abstract

Section: Introductionunclassified