Performance analysis of two ANN based classifiers for EMG signals to identify hand motions

Alba-Flores, Rocio; Hickman, Stephen D; Mirzakani, A. Shawn

doi:10.1109/secon.2016.7506757

Cited by 10 publications

(4 citation statements)

References 7 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…They hired two different neural networks for classification. The first neural network architecture verified 83.43% accuracy while the second one achieved 91.85% [13]. Another experiment was published in [14] where the authors employed time-domain descriptors (TDD) to measure the power spectrum characteristics for electromyography signal which in turn reduced the computationally expensive feature construction traditional techniques.…”

Section: Previous Workmentioning

confidence: 99%

Self-Organizing Map based Feature Learning in Bio-Signal Processing

Ibrahim¹,

Al-Jumaily²

2017

Adv. sci. technol. eng. syst. j.

View full text Add to dashboard Cite

Section: Previous Workmentioning

confidence: 99%

Self-Organizing Map based Feature Learning in Bio-Signal Processing

Ibrahim¹,

Al-Jumaily²

2017

Adv. sci. technol. eng. syst. j.

View full text Add to dashboard Cite

“…Bunlara örnek olarak Alba-Flores vd. [12], iki farklı YSA mimarisi geliştirmiş ve karşılaştırmışlardır. İlk mimaride dokuz el hareketini sınıflandırmak için tek bir YSA kullanılmış ve ortalama %83,43 doğruluk elde edilmiştir.…”

Section: Giriş (Introduction)unclassified

sEmg tabanlı el hareket tanımada farklı kol pozisyon ve açılarının sınıflandırma başarısına olan etkilerinin incelenmesi

Parlak,

Başpınar

2024

GUMMFD

View full text Add to dashboard Cite

EMG tabanlı uygulamalar ile ilgili literatürde oldukça çok sayıda çalışma yer almaktadır. Bu çalışmalar, insan makine etkileşimi başta olmak üzere rehabilitasyon, aktif protez kontrolü gibi alanlarda yoğunlaşmıştır. Yapılan çalışmalarda EMG sinyallerinin sınıflandırılmasında sınıflayıcıların performansını etkileyen kol kaslarının yorulması, ciltteki ter, elektrotlardan kaynaklanan gürültüler gibi çok sayıda faktörden bahsedilmiştir. Yapılan bu çalışmaların birçoğunda EMG kayıtları ön kol sabit ve belirli bir pozisyondayken yapılmıştır. Hareketin yapıldığı kol pozisyonu ve bilek açıları da hareket tahminini etkileyen etkenlerdendir. Aktif protez kontrolü, insan makine etkileşimi gibi sistemlerde kullanılan sEMG sinyallerinin günlük hayatın akışında kolun farklı pozisyon ve açılarında da doğru sınıflandırması beklenmektedir. Bu çalışmada birden fazla kişinin sağ ön kollarından alınan yüzey elektromiyogram sinyalleri kullanılarak el hareketleri, bu el hareketlerinin yapıldığı bilek açıları ve kol pozisyonları tespit edilmek istenmiş, aynı zamanda farklı kol pozisyonlarının ve açılarının el hareket sınıflamasındaki etkileri araştırılmıştır. Hareketin yapıldığı farklı kol pozisyonları ve açılar nedeniyle ortaya çıkan olumsuz etkilerin ivme ve jiroskop verileri kullanılarak giderilip giderilemeyeceği noktasında da değerlendirmeler yapılarak sınıflandırıcı performanslarına etkilerine yer verilmiştir. Sınıflandırma aracı olarak yapay sinir ağları ve destek vektör makineleri kullanılmış, performans karşılaştırması yapılmıştır. Yapılan değerlendirme sonucu günlük hayatta kullanılması planlanan EMG tabanlı bir sistemin eğitiminde ön kolun tüm pozisyon ve açılarında eğitim verisinin toplanması sınıflandırma sonuçlarını iyileştirdiği tespit edilmiştir. Farklı pozisyonlarda ivme ve jiroskop verilerinin hareket sınıflama performansına çok az bir katkı sunduğu belirlenmiştir. Çalışma kapsamında yalnız EMG verisinin bilek açısını ve kol pozisyonunu tespit etmekte yetersiz olduğu ivme ile jiroskop verilerinin eklenmesi ise bilek açısı tahminleri yükseltmiştir. Kol pozisyonu tespitinde ise EMG ile birlikte ivme verisinin kol pozisyon açısını belirlemede etkin olduğu görülmüştür. Sınıflandırıcı performansı olarak gruplar incelendiğinde genel olarak DVM sınıflayıcısının daha yüksek sınıflama performansı göstermekle beraber YSA’nın da iyi sonuçlar verdiği gözlenmiştir.

show abstract

“…Recently, machine learning has been widely used for classification and prediction in the industrial, medical and educational purposes. Various types of machine learning have been widely applied, including artificial neural networks [18], support vector machine, k-NN [19], decision tree [20], swarm intelligent [21], and deep learning [22] [23]. However, choosing a classifier with a simple architecture and fast computation will have added value [23].…”

Section: Introductionmentioning

confidence: 99%

Hand Exoskeleton Development Based on Voice Recognition Using Embedded Machine Learning on Raspberry Pi

Triwiyanto

Yulianto

Luthfiyah

et al. 2022

JBBBE

View full text Add to dashboard Cite

The choice of using speech to control the exoskeleton is based on the number of exoskeletons that are controlled using the EMG signal, where the EMG signal itself has the weakness of the complexity of the signal which is influenced by the position of the electrodes, as well as muscle fatigue. The purpose of this research is to develop an exoskeleton device using voice control based on embedded machine learning on a Raspberry Pi minicomputer. In this study, two feature extraction types namely mel-frequency cepstral coefficient (MFCC) and zero-crossing (ZC), and two machine learning algorithms, namely K-nearest Neighbor (K-NN) and Decision Tree (DT) were evaluated. The hand exoskeleton development consists of 3D hand design, microphone, Raspberry Pi 4B+, PCA9685 servo driver, and servo motor. Microphone was used to record voice commands given. After model evaluation, it was found that the MFCC extraction combined with the K-NN algorithm and the best accuracy (96±7.0%). In the implementation, we found that the accuracy is 79±14.46% and 90±14.14% for open and close commands.

show abstract

Performance analysis of two ANN based classifiers for EMG signals to identify hand motions

Cited by 10 publications

References 7 publications

Self-Organizing Map based Feature Learning in Bio-Signal Processing

Self-Organizing Map based Feature Learning in Bio-Signal Processing

sEmg tabanlı el hareket tanımada farklı kol pozisyon ve açılarının sınıflandırma başarısına olan etkilerinin incelenmesi

Hand Exoskeleton Development Based on Voice Recognition Using Embedded Machine Learning on Raspberry Pi

Contact Info

Product

Resources

About