Virtual Rehabilitation Training System Based on Surface EMG Feature Extraction and Analysis

Meng, Qiang; Zhang, Jianjun; Yang, Xi

doi:10.1007/s10916-019-1166-z

Cited by 28 publications

(22 citation statements)

References 11 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Ayrıca bu kadar çok öznitelikle/girişle yapılan sınıflandırma işleminin eğitimi bir hayli uzun sürer. Bu sebeple etkili ve hızlı bir sınıflandırma yapabilmek için sinyalden öznitelik çıkarmak gereklidir [1]. Öznitelik adın da anlaşılacağı üzere ilgili sinyali en iyi biçimde temsil edebilen sayısal bilgidir.…”

Section: öZnitelik çıKarmaunclassified

“…Bu problem için = 56, =176960'dır. 1 14 aralığında yer alan tüm tamsayıları almak üzere veri setinin çıkışı ise aşağıdaki gibi verilmiştir. Gerek eğitim seti gerekse test seti Eşitlik 9.a ve 9.b de tanımlandığı gibi ayarlanır.…”

Section: Sınıflandırmaunclassified

“…Günümüzde elektromiyografi (EMG) sinyallerinden birçok alanda faydalanılmaktadır [1]. EMG, özellikle insanların hayatını kolaylaştırma anlamında ciddi bir öneme sahiptir.…”

Section: Introductionunclassified

See 2 more Smart Citations

Emg Si̇nyalleri̇ İçi̇n Hi̇bri̇d Özni̇teli̇k Çikarma Yöntemi̇ Geli̇şti̇ri̇lmesi̇

Çalışkan¹

2019

Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi

View full text Add to dashboard Cite

ÖZBu çalışmada EMG sinyalleri kullanılarak 14 farklı parmak hareketi önerilen yeni bir öznitelik çıkarma yöntemiyle sınıflandırılmıştır. EMG sinyallerinden parmak hareketlerinin tespiti / sınıflandırılması, ön işleme, özellik çıkarma ve sınıflandırma adımlarını içeren 3 ana adımdan oluşur. EMG sinyallerinin sınıflandırılmasında, sınıflandırıcının performansı doğrudan öznitelik çıkarma yöntemine bağlıdır. Bu sebeple öznitelik çıkarma yöntemi uygun bir biçimde seçilmelidir. Literatürde zaman, histogram ve frekans tabanlı birçok öznitelik çıkarma yöntemi vardır. Ancak bu yöntemler yüksek zaman karmaşıklığı, çok fazla işleme ihtiyaç duyma, fazla sayıda kontrol parametresi bulundurma, vb. birçok dezavantaja sahiptir. Bu çalışmada EMG sinyallerinden çeşitli parmak hareketlerinin sınıflandırılması amacıyla sayılan dezavantajları ortadan kaldırmak için yeni bir öznitelik çıkarma yöntemi sunulmuştur. Bu yöntem iki zaman tabanlı öznitelik çıkarma yönteminin hibritleştirilmesiyle elde edilmiştir. 10 kat çapraz doğrulamayla elde edilen deneysel sonuçlarına göre, önerilen yöntemin %97,48 doğruluk oranıyla bu çalışmada kullanılan diğer 9 öznitelik çıkarma yöntemlerinden daha iyi olduğu deneysel olarak gösterilmiştir. Deneysel sonuçlar istatistiksel yöntemlerle desteklenmiştir. ABSTRACTThis study aims to discuss classification of 14 different finger movements from EMG signals by using new feature extraction technique. The detection/classification of finger movements consists of 3 main steps including, preprocessing, feature extraction and classification steps. In classification of EMG signals, the performance of the classifier directly depends on feature extraction methods, including, time, histogram and frequency-based methods. However, these feature extraction methods have several drawbacks including, high time complexity, high computation demand, user supplied parameters, etc. In this paper, a new feature extraction method has been proposed for the classification of finger movements from EMG signals to overcome these problems. The proposed method based on hybridization of 2-time domain feature extraction techniques. The use of this method resulted in an accuracy of 97.48% after 10-fold-cross-validation. The experimental results supported with statistical analysis show that proposed method is better than 9 feature extraction methods investigated in this paper

show abstract

Section: öZnitelik çıKarmaunclassified

Section: Sınıflandırmaunclassified

See 1 more Smart Citation

Emg Si̇nyalleri̇ İçi̇n Hi̇bri̇d Özni̇teli̇k Çikarma Yöntemi̇ Geli̇şti̇ri̇lmesi̇

Çalışkan¹

2019

Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi

View full text Add to dashboard Cite

show abstract

“…In addition to the vision-based solutions, electromyography (EMG) has been widely used in robotic applications [14,[23][24][25][26][27]. A real time telemanipulation technique is presented in [23] using EMG-based arm tracking and markless images.…”

Section: Introductionmentioning

confidence: 99%

“…In [24], EMG was used to control in real time a robotic arm system. In [25], the authors designed a rehabilitation training system based on virtual reality and EMG feedback. A novel concept of robot therapy using EMG thresholds was presented in [26].…”

Section: Introductionmentioning

confidence: 99%

Development of an IoT-Based Solution Incorporating Biofeedback and Fuzzy Logic Control for Elbow Rehabilitation

et al. 2020

View full text Add to dashboard Cite

The last few years have seen significant advances in neuromotor rehabilitation technologies, such as robotics and virtual reality. Rehabilitation robotics primarily focuses on devices, control strategies, scenarios and protocols aimed at recovering sensory, motor and cognitive impairments often experienced by stroke victims. Remote rehabilitation can be adopted to relieve stress in healthcare facilities by limiting the movement of patients to clinics, mainly in the current COVID-19 pandemic. In this context, we have developed a remote controlled intelligent robot for elbow rehabilitation. The proposed system offers real-time monitoring and ultimately provides an electronic health record (EHR). Rehabilitation is an area of medical practice that treats patients with pain. However, this pain can prevent a person from positively interacting with therapy. To cope with this matter, the proposed solution incorporates a cascading fuzzy decision system to estimate patient pain. Indeed, as a safety measure, when the pain exceeds a certain threshold, the robot must stop the action even if the desired angle has not yet been reached. A fusion of sensors incorporating an electromyography (EMG) signal, feedback from the current sensor and feedback from the position encoder provides the fuzzy controller with the data needed to estimate pain. This measured pain is fed back into the control loop and processed to generate safe robot actions. The main contribution was to integrate vision-based gesture control, a cascade fuzzy logic-based decision system and IoT (Internet of Things) to help therapists remotely take care of patients efficiently and reliably. Tests carried out on three different subjects showed encouraging results.

show abstract

RehabFAB: design investigation and needs assessment of displacement-orientated fabric wearable sensors for rehabilitation

Chen,

Jiang,

Guo

et al. 2023

Multimed Tools Appl

View full text Add to dashboard Cite

Virtual Rehabilitation Training System Based on Surface EMG Feature Extraction and Analysis

Cited by 28 publications

References 11 publications

Emg Si̇nyalleri̇ İçi̇n Hi̇bri̇d Özni̇teli̇k Çikarma Yöntemi̇ Geli̇şti̇ri̇lmesi̇

Emg Si̇nyalleri̇ İçi̇n Hi̇bri̇d Özni̇teli̇k Çikarma Yöntemi̇ Geli̇şti̇ri̇lmesi̇

Development of an IoT-Based Solution Incorporating Biofeedback and Fuzzy Logic Control for Elbow Rehabilitation

RehabFAB: design investigation and needs assessment of displacement-orientated fabric wearable sensors for rehabilitation

Contact Info

Product

Resources

About