Biyonik el kontrolü için EMG işaretlerininin makine öğrenmesi yöntemiyle sınıflandırılması

Günümüzde kullanılmakta olan çok işlevli protez-biyonik kolların hareket yeteneği birkaç hareketle sınırlıdır. Protez-biyonik ellerin işlevselliğini arttırmak için araştırmacılar üç farklı koldan çalışmaktadır. Bunlar mekanik aksamın tasarımını geliştirip sistemin serbestlik derecesini arttırırak hareket yeteneğinin iyileştirilmesi, elektronik aksamın geliştirilerek istenilen rotasyonda ve hızda hareket etmesinin sağlanması ve kaynak işaretleri olan EMG sinyallerinin analiz edilmesi olarak ifade edilebilir. Sinyallerin hedef hareketi temsil edecek şekilde analiz edilmesi ilerleyen bölümde açıklanacağı gibi sistemin performans verimliliği ve sınıflandırma verimliliği açısından hayatidir. Mekanik ve elektronik aksamın gelişmesi de teknolojik/bilimsel gelişmelerle paralellik gösterse de EMG sinyal analizi işlemlerinin gelişmesi sinyal işleme ve makine öğrenmesi metodlarındaki güçlü gelişmelerle sistem performansını etkileyen en önemli ana kolonu taşımaktadır. Sinyaldeki gürültülerden arındırmak için frekans band genişliğinin yüksek tutulması sinyalin bütünlüğünü bozan detayların dahil edeceği gibi düşük tutulması ise sinyal için önemli olan detayların kaybolarak karakteristiğinin bozulmasına neden olabilir. Bu yüzden doğru sinyal analizi için akıllı algoritmaların kullanılması şarttır. EEG sinyalleri de kaynak işaretine alternatif olabilir. Fakat EEG sinyalleri daha düşük band genişliğine sahip olmakla birlikte daha düşük genliğe sahip olduğu için gerçek hayatta EMG sinyallerine göre daha çok gürültüye karışmaları verimi düşmektedir. Bu anlamda EMG sinyallerinin kaynak işareti olarak kullanılması daha makul görünmektedir. EMG sinyalinin karakteristik kestiriminde Dalgacık Dönüşümü analizinin sıklıkla kullanıldığı bilinmektedir. Bu çalışma kapsamında EMG sinyallerinin temsil yeteneği en yüksek olan dalgacık tipi ve ayrıştırma derecesi kestirilmeye çalışılmıştır. Bununla beraber daha verimli bir sınıflandırma hangi metodla yapılır sorusuna yanıt aranmıştır. Protez-biyonik ellerin işlevselliğini arttırmak amacıyla gündelik hayatta nesneleri tutmaya/kavramaya yarayan ve sıklıkla kullanılan 6 temel el hareketine ait EMG sinyallerinden oluşan 900 örnek verilik bir veri seti kullanılmıştır. EMG sinyallerine ait temsil yeteneği en güçlü olan öznitelik vektörünü elde etmek için Markov geçiş matrisi elemanları ve Ayrık Dalgacık Dönüşümü analizi kullanılmıştır. Elde edilen öznitelik vektörüne çeşitli makine öğrenmesi algoritmalarıyla sınıflandırma performans analizleri uygulanmıştır. Çalışma kapsamında kullanılan metodlar ile elde edilen sonuçlar uluslar arası alanda yapılan benzer çalışmalarla paralel ve anlamlı sonuçlar taşımanın yanında hız performans dengesi ile gerçek zamanlı kullanılabilirlik konusunda tercih edilebilirliğini arttırmıştır. Verimli bir EMG sinyali karakteristik kestirimi protez-biyonik kolların geliştirilmesine yardımcı olmasının yanında robot kolların gerçeğe uygun geliştirilmesinde, kesik uzuvların yerine dikilmesinde veya klinik teşhislerin belirlenmesine de yardımcı olması beklenmektedir. Bu çalışma da kullanılan metodlarla EMG sinyallerinin karakteristik kestirimini ve sınıflandırma başarısını ve performansını artmasına katkı sağlanmaya çalışılmıştır . Elde edilen sonuçlar ve önerilen metodların yeni çalışmalara katkı sağlayacağı düşünülmektedir.