Derin öğrenme yöntemi ile yüzeyel EMG işaretlerini sınıflandırarak dirsek eklemi için pozisyon kestirimi

Kasların hareket bilgisini barındıran yüzeyel elektromiyografi (sEMG) işaretlerinin sınıflandırılması, rehabilitasyon amaçlı sistemlerde doğala yakın bir çalışma düzeni elde etmede kullanılmaktadır. Bu tez çalışmasında, üst ekstremite biceps ve triceps kaslarının sEMG sinyalleri, bir Derin Öğrenme yöntemi olan Uzun Kısa Vadeli Bellek (LSTM) yapay sinir ağı ile sınıflandırılarak dirsek eklem açısı tahmini yapılmıştır. LSTM modeli sEMG işaretinin değişken ortalama değerini ve kılıf tepe değerini kullanarak iyi bir doğruluk elde etmiş, başarılı ve etkin bir şekilde dirsek eklemi açı tahmini yapmıştır. Sonuçlar, işaretin özniteliklerini kullanan Çok Katmanlı Algılayıcı'nın (MLP) dirsek eklem açı tahmini ile kıyaslanmıştır. Tasarlanan LSTM modeli, hesaplama açısından daha etkin bir şekilde, MLP kadar yüksek doğruluk elde ederek dirsek eklemi açı tahmini yapabileceğini göstermiştir.