EMG işaretlerinin özniteliklerinin çıkarılması, kNN ve YSA yöntemleri ile sınıflandırılması

Kas hücreleri, kasılıp gevşeyerek elektriksel işaretler meydana getirir. Bu işaretlere miyoelektrik işaretler adı verilir. Bu işaretlerin elektrotlar yardımıyla elde edilip analiz edilmesine elektromiyografi (EMG) adı verilmektedir. Kasın hareketi farklılaştıkça elde edilen işaretler de farklılaşacak, öznitelik matrislerinde oluşan değerler de bu sayede değişiklikler göstereceklerdir. Bu sayede yapılan hareketlerin ayırt edilmesi de mümkün hale gelecektir. Tez kapsamında hareket sinyalleri olarak hazır veri setleri kullanılmıştır. Sınıflandırılması amaçlanan veri setinde incelenen hareketler, El kapama (E-K), Baş parmağı (B), İşaret parmağı (İ), Orta parmak (O), Yüzük parmağı (Y), Baş-İşaret (B-İ), Baş-Orta (B-O), Baş-Yüzük (B-Y) parmaklarını kapama hareketleri olmak üzere 8 tanedir. Veri setindeki bu hareketler için 4 farklı kişinin ön kolundan, 2 elektrot kullanılarak, her bir hareket türü için 5 saniye süresince 4000 Hz frekansıyla örneklenmiş 6 sinyal alınmıştır. Daha sonra bu sinyaller 20 ile 450 Hz aralığında band geçiren filtre ile filtrelenmiştir. Alınan sinyaller üzerine, öncelikle pencereleme işlemi uygulanmıştır. Sonrasında her bir pencere için özellik değerleri oluşturulmuştur. Pencere boyutları olarak 50 ms, 100 ms, 150 ms, 200 ms, 250 ms'lik zaman uzunlukları kullanılmıştır. Ardından her bir pencere için sıfır geçiş noktası sayısı (SG), dalga formu uzunluğu (DU), eğim işareti değişikliği (EİD), ortalama mutlak değer (OMD), willison genliği (WG), çarpıklık (Ç), varyans (VAR), karekök ortalama değeri (RMS) ve Hjorth zaman bölgesi parametreleri, değişkenlik (MOB) ve karmaşıklık (COMP) öznitelik çıkarım yöntemleri uygulanmış, böylece her bir pencere için öznitelik vektörleri oluşturulmuştur. Ardından bu öznitelik vektörlerine, kendi öznitelik grupları içerisinde min max normalizasyon işlemi uygulanmış ve tüm değerlerin 0 ile 1 arasında olması sağlanmıştır. Son olarak elde edilen öznitelik vektörleri k en yakın komşular (kNN) algoritması ve yapay sinir ağları örüntü tanıma yöntemi uygulanarak sınıflandırılması sağlanmıştır. kNN algoritması için verilerin 3'te 2'si eğitim, 3'te 1'i ise test verisi olarak kullanılmışlardır. Kullanılacak olan en yakın komşu sayısı tespit edilmiş ardından da çoğunluk oylaması yöntemi uygulanmıştır. Yapay sinir ağları örüntü tanıma yöntemi için ise öznitelik vektörlerinin %70'i eğitim, %15'i doğrulama ve %15'i de test için kullanılmıştır. Tüm bu işlemler tamamlandıktan sonra sınıflandırma doğrulukları sonuçlarına geçilmiştir. Pencereleme zamanının artmasının sınıflandırma yüzdesinin de artmasına neden olduğu gösterilmiştir. Fakat pencere uzunluklarının işlem zamanına etkisi de dikkate alındığında ve gerçek zaman performansı açısından en uygun olabilecek pencerelerin 100 ve 150 ms'lik pencereler olabileceği anlatılmıştır. kNN algoritması için toplam doğruluk yüzdesi 100 ms'lik pencere için yaklaşık %84 iken pencere uzunluğu 150 ms'ye çıkarıldığında yaklaşık %89'a yükselmiştir. Aynı zamanda yapay sinir ağları algoritması için ise, 100 ms'lik pencereleme zamanı dikkate alındığında sınıflandırma doğruluğu %90 civarında olurken 150 ms'lik pencere için ise %93 civarına yükselmiştir.