Eeg/emg türü zaman serileri kullanılarak hareket sınıflandırma için derin öğrenme kullanımı

Bu çalışmada, elektromiyografi (EMG) verilerinin derin öğrenme ile zaman serileri kullanılarak el hareketlerine göre sınıflandırılması yapılmıştır. Sinyal işleme ile yapılan sınıflandırma işlemlerinde Uzun-Kısa Süreli Bellek (LSTM) Ağları, zaman-frekans analizi ve sınıflandırma yöntemi aracılığı ile sonuç alınabilmektedir. Çalışmada kullanılan veri seti, Kaliforniya Üniversitesinin makine öğrenmesi deposundan alınmıştır. Çalışmada kullanılan bu veri setinde; 2 erkek ve aynı yaşlarda (yaklaşık 20-22) 3 kadın olmak üzere 5 sağlıklı bireyden alınan EMG verileri bulunmaktadır. Kas aktivasyonu hakkında bu bilgileri toplamak için bireylerin kollarının ön ve arka kısımlarına birer ön yüzey EMG elektrotu takılmıştır. Veriler; küresel aletleri kavrama (Spherical), küçük cisimleri parmak uçlarıyla tutma (Tip), nesneye bakacak şekilde avuç içiyle tutma (Palmar), ince/düz nesneleri tutma (Lateral), silindirik nesneleri tutma (Clyindrical) ve ağır cisimleri tutma. (Hook) olmak üzere 6 el hareketi yapılırken alınmıştır. Bu hareketlerin yapılması istendiği esnada hız ve kuvvet bireyin isteğine bırakılmıştır. Bireyler her bir hareketi 6 saniye boyunca yapmıştır ve her bir işlem (hareket) 30 defa tekrarlanmıştır. Sonuç olarak her birey için toplamda 180 adet 6 saniyelik uzun 2-kanallı EMG verisi kaydedilmiştir. Sinyallerin kaydedilmesi sırasında veri kayıplarını ve bozulmaları azaltmak amacıyla bitişik (adjacent) pencereleme yöntemi kullanılmıştır. Bu çalışmada kullanılan bitişik (adjacent) pencereleme yönteminde pencere boyutları sırasıyla; 0.05 sn (25 veri noktası), 0.10 sn (50 veri noktası), 0.15 sn (75 veri noktası), 0.20 sn (100 veri noktası) , 0.25 sn (125 veri noktası) ve 0.30 sn (150 veri noktası) seçilerek 6 durumda elde edilen başarım oranları kıyaslanmıştır. Bununla birlikte kullanılan farklı pencere boyutlarının sınıflandırma sonucuna nasıl etki ettiği incelenmiştir. Çalışmada 1. kanal verileri, 2. kanal verileri ve iki kanalın ortalaması alınarak elde edilen verilerin sınıflandırma işlemi ayrı ayrı yapılmıştır. Çalışmada verilerin %80 i eğitim amaçlı kullanılırken, %10 u doğrulama, kalan %10 u ise test amaçlı kullanılmıştır. Sınıflandırma işleminin sonucunda en iyi sonuç 150 veri noktası (0.30 sn) pencere boyutu ile alınan verilerden elde edilmiştir. 1. Kanala ait verilerin sınıflandırılması sonucu; eğitim verilerinin başarım oranı % 96,18, 2. kanala ait verilerin başarım oranı %99,34, iki kanal verilerinin ortalaması ile elde edilen verilerinin başarım oranı ise % 99,81 olarak belirlenmiştir.