Parmak hareketlerinin derin öğrenme ile sınıflanması

Bu çalışma, EMG sinyalleri ve derin öğrenme modeli kullanılarak parmak hareketlerinin sınıflandırılmasına odaklanmaktadır. Elektromiyografi sinyalleri, kasların elektriksel aktivitesini kaydeden biyomedikal sinyallerdir ve bu sinyaller analiz ederek, protez uzuvların üretilmesi, koşulların teşhis edilmesi ve hatta protez uzuvların kontrol edilmesi gibi çeşitli alanlarda kullanılır. Bu çalışmada kullanılan veriler, on sağlıklı gönüllüden toplanan verilerdir. Her gönüllü, parmak hareketiyle ilgili yedi görevi gerçekleştirdi ve her görev beş kez tamamlandı; bu, tüm gönüllülerden alınan toplam deney sayısının 350 olduğu anlamına geliyor. Elektromiyografi sinyalleri kullanılarak verileri kaydedildi ve daha sonra bu veriler işlenerek kullanılabilir hale getirildi. Bu çalışmada veriler işlendikten sonra sınıflandırmaya hazır hale getirilmiştir. Öncelikle her bir parmağa ait veriler ayrılınmıştır ve bazı parmağa bir kanaldan fazla ait olduğu için FastICA yöntemi kullanarak bu kanalların verileri teke düşürmüştür. Daha sonra, zaman alanı tanımlayıcıları (TDD), evrişimli sinir ağı (CNN) ve uzun kısa süreli bellek (LSTM) kullanılarak belirli öznitelikler çıkarıldı. Bu öznitelikler çıkarıldıktan sonra sınıflandırma işlemi için en önemli öznitelikler karşılıklı bilgi yöntemi (MI) kullanılarak seçilmiştir. Bu sürecin ardından tam bağlantılı sinir ağı modelinin (FCNN) seçilerek sınıflandırma gerçeklenirmiştir. Modelin etkili bir şekilde öğrenilmesi ve yüksek doğruluk oranlarının elde edilmesi nedeniyle sınıflandırma işlemi başarılı olmuştur. Bu sonuçlar elde edildikten sonra derin öğrenme modellerinin yaşamsal belirtilerin ve EMG sinyallerinin sınıflandırılmasında etkili bir araç olabileceği sonucuna varılabilir. Bu çalışmadan, Derin öğrenme ile sınıflama ve analiz alanlarda etkili katkılar sağlayabileceği sonucuna varılabilir.