İşbirlikçi robot ile yapılan dinamik görevlerdeinsan kas yorgunluğunun öğrenme tabanlı modellerle tahmini

İnsan kas yorgunluğunun değerlendirilmesi, fiziksel insan-robot etkileşimi (pHRI) görevlerinde performansı optimize etmek ve insan operatörü için güvenlik risklerini azaltmak açısından kritiktir. Bu tez çalışması, insan koluna yerleştirilen yüzey elektromiyografi (sEMG) sensörleri kullanarak dinamik pHRI görevlerinde kas yorgunluğunu tahmin etmek için veri odaklı bir çerçeve sunmaktadır. Kullanıcıya özgü makine öğrenmesi (ML) regresyon modelleri, döngüsel (yani tekrarlı) pHRI görevleri sırasında kullanıcının yorgunluk seviyesini tahmin etmek için geliştirilmiştir. Özellikle, üç adet frekansa bağlı ve bir adet zamana bağlı EMG özelliği kullanarak kas yorgunluğa oluşana kadar kullanıcının yaptığı eforu (FCF) yüzdesel olarak kestirebilmek için Random Forest, XGBoost ve Lineer Regresyon modelleri eğitilmiştir. Bu modellerin performansları, filtrelenmiş EMG sinyallerinin spektrogramlarını girdi olarak kabul eden bir evrişimli sinir ağına (CNN) karşı kıyaslanmıştır. Yorgunluk tahminini bir sınıflandırma problemi olarak formüle eden çoğu önceki veri odaklı yaklaşımdan farklı olarak, yöntemimiz insan eforundaki artışı regresyon yoluyla modelleyerek, dinamik pHRI görevlerinde zamanında müdahale ve uyarlanabilir kontrol için kademeli fizyolojik değişikliklerin izlenmesini mümkün kılar. Bir admitans kontrolcü vasıtasıyla işbirlikçi bir robot ile etkileşim içinde olan ve kas yorgunluğu oluşana kadar robotun uç efektörü ile yanal yönde tekrarlı sağ-sol hareketleri yapan on katılımcı ile deneyler yapılmıştır. Sonuçlar, katılımcılar genelinde, FCF tahmininin ortalama karesel hatasının (RMSE) CNN, Random Forest, XGBoost ve Lineer Regresyon modelleri için sırasıyla \%20.8 $\pm$ 4.3, \%23.3 $\pm$ 3.8, \%24.8 $\pm$ 4.5 ve \%26.9 $\pm$ 6.1 olduğunu göstermektedir. Bu araştırma çalışmasında, çapraz görev genellemesini incelemek için, dikey (yukarı-aşağı) ve dairesel tekrarlı hareketler gerçekleştiren bir katılımcı ile ek deneyler yapılmıştır. Yalnızca yanal hareket verisi kullanılarak eğitilen modeller, bu görülmemiş görevler üzerinde doğrudan test edilmiştir. Sonuçlar, önerilen ML/DL modellerinin hareket yönü, kol kinematiği ve kas aktivasyon seviyelerindeki değişimlere karşı kararlı olduğunu, Lineer Regresyon modelinin ise zayıf performans gösterdiğini ortaya çıkarmıştır