sEMG ve kamera görüntü verileri kullanarak makine öğrenme temelli robotik el kontrolü
Küçük Resim Yok
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Karabük Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/closedAccess
Özet
Son yıllarda, biyomedikal mühendislik ve robotik alanındaki yenilikler, insan-makine etkileşim sınırlarını genişletmektedir. El parmak hareketlerinin hassas bir şekilde algılanması protez el uygulamaları, oyun endüstrisi, sanal gerçeklik uygulamaları ve rehabilitasyon teknikleri gibi birçok alanda etkili olmaktadır. El hareketlerinin doğru ve eşzamanlı olarak sınıflandırılması, bu teknolojik ilerlemenin önemli bir bileşeni haline gelmektedir. Geleneksel yaklaşımlarda yüzey elektromiyografisi (sEMG) sensörleri ya da görüntü temelli sistemler kullanılarak söz konusu hareketlerin tespit edilmesi sağlanmaktadır. Tez çalışmasında kamera görüntü verileri ve sEMG sensörü ile önkol kaslarından alınan hareket verilerinin eşzamanlı olarak kaydedilmesi, verilerin işlenerek yüksek doğruluk oranı ile hareket sınıflandırması yapılması ve oluşturulan tahmin modeli ile protez el kontrol uygulaması geliştirilmesi amaçlanmaktadır. Literatür taramasında belirlenen benzer hibrit çalışmaların sonuçları %96,43, %80,22, %95, %99,58, %93,4, %97,5, %90,74, %95,5 doğruluk değerlerinde belirtilmektedir. Yapılandırılan veri setine uygulanan veri önişleme işlemleri ile öznitelik çıkarma işlemlerinden sonra Matlab sınıflandırma öğrenicisi (Classification learner) uygulamasında Destek Vektör Makineleri (DVM), k-En Yakın Komşuluk (EYK) ve Yapay Sinir Ağları (YSA) makine öğrenme yöntemleri performans ölçümleri test sonuçları %92,70, %92,26 ve %90,41 olarak bulunmaktadır. Veri ön işleme adımında uygulanan filtreleme işlemi ile bu sonuçların sırasıyla %99,11, %98,55 ve %97,87 test sonuçlarına yükseltildiği ortaya konmaktadır. Tez çalışması ile sEMG sensörleri ve kamera görüntü verileri bir araya getirilerek her iki yöntemin sağladığı avantajlar ile bütünleşik bir yaklaşım oluşturulmaktadır. Bu bütünleşik yaklaşımla yeni bir hibrit yöntem geliştirilerek, el parmak hareketlerinin sınıflandırılması için kullanılan makine öğrenme algoritmalarının yüksek doğrulukta çalışması sağlanmaktadır.
In recent years, innovations in biomedical engineering and robotics have expanded the boundaries of human-machine interaction. Precise detection of hand finger movements is effective in many areas such as prosthetic hand applications, gaming industry, virtual reality applications and rehabilitation techniques. Accurate and simultaneous classification of hand movements is becoming an important component of this technological advancement. In traditional approaches, surface electromyography (sEMG) sensors or image-based systems are used to detect these movements. In this thesis, it is aimed to simultaneously record motion data from forearm muscles with camera image data and sEMG sensor, to process the data and classify the motion with high accuracy, and to develop a prosthetic hand control application with the prediction model created. The results of similar hybrid studies determined in the literature review are reported at 96.43%, 80.22%, 95%, 99.58%, 93.4%, 97.5%, 90.74%, 95.5% accuracy values. After the data preprocessing and feature extraction processes applied to the structured data set, the test results of Support Vector Machines (SVM), k-Nearest Neighbourhood (KNN) and Artificial Neural Networks (ANN) machine learning methods performance measurements in the Matlab classification learner application are 92.70%, 92.26% and 90.41%. With the filtering process applied in the data preprocessing step, it is revealed that these results are increased to 99.11%, 98.55% and 97.87% test results, respectively. In this thesis, sEMG sensors and camera image data are brought together and an integrated approach is created with the advantages of both methods. With this integrated approach, a new hybrid method is developed and the machine learning algorithms used for the classification of hand finger movements are provided to work with high accuracy.
In recent years, innovations in biomedical engineering and robotics have expanded the boundaries of human-machine interaction. Precise detection of hand finger movements is effective in many areas such as prosthetic hand applications, gaming industry, virtual reality applications and rehabilitation techniques. Accurate and simultaneous classification of hand movements is becoming an important component of this technological advancement. In traditional approaches, surface electromyography (sEMG) sensors or image-based systems are used to detect these movements. In this thesis, it is aimed to simultaneously record motion data from forearm muscles with camera image data and sEMG sensor, to process the data and classify the motion with high accuracy, and to develop a prosthetic hand control application with the prediction model created. The results of similar hybrid studies determined in the literature review are reported at 96.43%, 80.22%, 95%, 99.58%, 93.4%, 97.5%, 90.74%, 95.5% accuracy values. After the data preprocessing and feature extraction processes applied to the structured data set, the test results of Support Vector Machines (SVM), k-Nearest Neighbourhood (KNN) and Artificial Neural Networks (ANN) machine learning methods performance measurements in the Matlab classification learner application are 92.70%, 92.26% and 90.41%. With the filtering process applied in the data preprocessing step, it is revealed that these results are increased to 99.11%, 98.55% and 97.87% test results, respectively. In this thesis, sEMG sensors and camera image data are brought together and an integrated approach is created with the advantages of both methods. With this integrated approach, a new hybrid method is developed and the machine learning algorithms used for the classification of hand finger movements are provided to work with high accuracy.
Açıklama
14.12.2024 tarihine kadar kullanımı yazar tarafından kısıtlanmıştır.
Lisansüstü Eğitim Enstitüsü, Biyomedikal Mühendisliği Ana Bilim Dalı
Lisansüstü Eğitim Enstitüsü, Biyomedikal Mühendisliği Ana Bilim Dalı
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control ; Biyoteknoloji
