Akademik Veri Yönetim Sistemi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Ondokuz Mayıs Üniversitesi, Lisansüstü Eğitim Enstitüsü, ElektriK-Elektronik Mühendisliği Anabilim Dalı, Türkiye
Tezin Onay Tarihi: 2021
Tezin Dili: Türkçe
Öğrenci: MUHAMMED ERDİM
Danışman: Cengiz Tepe
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:
Kaslar hareket yapabilmemizi sağlayan temel yapı taşlarından biridir. Kasların kasılması ve gevşemesi sonucunda biyoelektriksel işaretler oluşmakta ve biyoelektriksel işaretler hareket oluşumunu sağlamaktadır. Bu işaretler elektrotlar ile ölçülerek yüzey Elektromiyogram (EMG) işareti elde edilmektedir. Yüzey EMG işaretlerinin işlenmesiyle insan hareketleri taklit edilebilmekte ve birçok farklı alanda kullanılabilmektedir. İnsan eli, parmakların farklı hareket kabiliyetleri sayesinde birçok el hareket kombinasyonu gerçekleştirebilmektedir. Bu nedenle protez ellerde parmakların birbirinden bağımsız hareket edebilmesiyle farklı el hareketlerini yapabilmesi kolaylaşabilecektir. Bu çalışmada bu görüş ön planda tutularak parmak hareketlerinin bağımsız hareket edebilmesi amacıyla işaretler çevrimdışı ve gerçek zamanlı sınıflandırılarak modeller önerilmiştir. Yüzey EMG ve jiroskop işaretleri myo bileklik kullanılarak alınmıştır. Veri seti 10 kişiden alınan 6 parmak hareketinden oluşturulmuştur. Bu 6 hareket başparmak, işaret parmak, orta parmak, serçe parmak, yüzük parmak ve dinlenme hareketidir. Veri seti filtrelenmiş, hareketin yapıldığı kısım belirlenmiş ve pencereleme işlemi uygulanmıştır. Öznitelik matrisinde 17 adet öznitelik kullanılmıştır. Ardışıl ileri yönlü öznitelik seçimi yöntemi ile en yüksek başarım gösteren öznitelik grubu belirlenmiştir. Matlab® içerisinde bulunan Classification Learner App ve Neural Network Pattern Recognition Tool kullanılarak sınıflandırma yapılmıştır. Çevrimdışı sınıflandırmada dört model önerilmiştir. İlk modelde yüzey EMG verileri ile CSVM sınıflandırıcısı kullanılarak %91,56 başarım elde edilmiştir. İkinci modelde yüzey EMG ve jiroskop verileri ile CSVM sınıflandırıcısı kullanılarak %92,56 başarım elde edilmiştir. Üçüncü modelde yüzey EMG verileri ile YSA'nın CGB eğitim algoritması kullanılarak yapılan sınıflandırmada %94,4 başarım elde edilmiştir. Son modelde yüzey EMG ve jiroskop verileri ile YSA'nın SCG eğitim algoritması kullanılarak yapılan sınıflandırmada %96,3 başarım elde edilmiştir. Gerçek zamanlı sınıflandırmada eğitim seti için çevrimdışı olarak sınıflandırılan model seçilmiştir. Test seti için myo bileklikten anlık veriler alınarak sınıflandırma yapılmıştır. Tüm veri setini kullanılarak oluşturulan modelde başarım %90,36'dır. Bireysel veri seti kullanılarak oluşturulan modelde başarım %98,33'dür. Parmak verileri işlenerek protez kol ve sanal el kontrolü için yüksek başarım veren modeller önerilmiştir. Bu modeller protez kollar ve sanal el kontrolleri için uygulanabilir bir yapıdadır. Parmak verilerinin işlenmesiyle protez kol işlevselliğinin arttırılacağı tahmin edilmektedir.