Fraktal Eğimden Arındırılmış Dalgalılık Analizi ve Pencereli Kare Ortalamanın Karekökü Tabanlı EMG Sınıflandırma

Abstract

Elektromiyografik (EMG) kas aktivitesini ölçmek için kullanılan faydalı bir tekniktir. EMG sinyalleri çoğunlukla protez, fiziksel rehabilitasyon, Nöromusküler bozuklukların teşhisi ve beyin-bilgisayar arayüzü gibi medikal uygulamalara yardımcı karar destek sistemlerinde kullanılır. Bu çalışmada EMG sinyallerini sınıflamak için kullanışlı bir yaklaşım önerilmiştir. Önerilen yöntemde, özellik çıkarma yöntemi olarak Fraktal Eğimden Arındırılmış Dalgalanma Analizi (F-EADA) ve örtüşmeyen pencereli Kök Ortalama Karesi (p-KOK) kullanılmıştır. F-EADA yöntemi korelasyon ve istatistiksel benzerliği ölçmek için kullanılan bir yöntemdir. KOK istatistiksel bir ölçüdür ve EMG tanıma sistemlerinde ayırt edici bir parametre olabilmektedir. p-KOK yaklaşımı geleneksel KOK yönteminden daha yeteneklidir ve bu ayırt edici yetenek deneysel sonuçlarla gösterilmiştir. Çıkarılan EMG öznitelikleri, Destek Vektör Makinesi (DVM), k-En Yakın Komşu (kEYK), Karar Ağacı (KA) ve Doğrusal Diskriminant Analizi (DDA) yöntemleri ile sınıflandırılmıştır. DVM Sınıflandırıcı bu yöntemler arasında en iyi performansa sahiptir. Önerilen yöntem, altı farklı nesne tutma eylemini içeren EMG veri seti ile test edilmiştir. Deneysel çalışmalar, önerilen yöntemin %96.83 doğruluk ile EMG veri setini sınıflamak için uygun olduğunu göstermiştir. Ayrıca, önerilen yöntem aynı veri setini kullanan diğer yöntemlerle karşılaştırıldığında daha iyi performansa sahiptir

Electromyographic (EMG) is useful technique to measure muscle activity. EMG signals mostly used in decision support system to help medical purposes such as prosthesis, physical rehabilitation, the diagnosis of neuromuscular disorders, and brain computer interface. This work proposes a useful approach to recognize EMG signals. Fractal Detrended Fluctuation Analysis (F-DFA) and non-overlap windowed Root Mean Square (w-RMS) are used as a feature extraction method. In the proposed method, F-DFA method has been exploited to determine correlation and statistical similarity. RMS is statistical measure and it can be as a distinctive parameter in EMG recognition systems. w-RMS approach is capable more than traditional RMS and this distinctive capable showed with experimental results. The features of EMG are classified common the four method such as Support Vector Machine (SVM), k-nearest Neighbor (kNN), Decision Tree (DT), and Linear Discriminant Analysis (LDA). The SVM Classifier has best performance in among these methods. The proposed method has been tested with the EMG dataset consisting of six different object holding actions. The experimental works have been demonstrated the convenient of the proposed method with %96.83 accuracy to classify the EMG dataset. Also, the proposed method has a better performance compared to other methods using the same dataset.