EMG sinyallerinin özniteliklerinin çıkarılması, YSA ve kNN algoritmalarıyla sınıflandırılması

Basit Öğe Kaydı
dc.contributor.authorÇerçi, Çağrı
dc.contributor.authorTemeltaş, Hakan
dc.date.accessioned2024-06-13T20:18:41Z
dc.date.available2024-06-13T20:18:41Z
dc.date.issued2018
dc.departmentFakülteler, Mühendislik Fakültesi, Mekatronik Mühendisliği Bölümü
dc.description26th IEEE Signal Processing and Communications Applications Conference (SIU) -- May 02-05, 2018 -- İzmir, Turkey
dc.description.abstractBu çalışma, kasların hareketiyle oluşan elektriksel sinyallerin sınıflandırılmasını amaçlamaktadır. Veri seti dört farklı bireyden alınan sekiz farklı hareketin sinyallerini içerir. Sınıflandırılan hareketler, baş, işaret, orta, yüzük, baş-işaret, başorta, baş-yüzük parmakları ve el kapama hareketleridir. Öncelikle sinyal, pencereleme işlemiyle küçük parçalara ayrılmış, bu küçük sinyallere çeşitli öznitelik çıkarımı yöntemleri uygulanarak öznitelik vektörleri oluşturulmuştur. Sonrasında öznitelik vektörleri k en yakın komşular algoritması ve yapay sinir ağları algoritmasıyla sınıflandırılmıştır. Bu işlemler sonunda, sınıflandırma doğruluğu 150 ms’de kNN için %89 iken YSA için %93 olarak bulunmuştur. Ancak kNN algoritmasının YSA’ya göre daha kısa işlem süresine sahip olduğu görülmüştür.
dc.description.abstractThis study aims to classify the electrical signals generated by the movement of muscles. The data set contains eight different motion signals from four different individuals. Classified motions are thumb, index, middle, ring, thumb-index, thumb-middle, thumb-ring and hand close. Firstly, the signal is divided into small parts by windowing process, and the feature vectors are created by applying various feature extraction methods to these small signals. Then, the feature vectors are classified by k-nearest neighbors and artificial neural networks algorithm. At the end of these processes, the classification accuracy was 89% for kNN at 150 ms and 93% for ANN. The advantage of the kNN Algorithm is that the processing time is shorter than ANN.
dc.description.sponsorshipIEEE, Huawei, Aselsan, NETAS, IEEE Turkey Sect, IEEE Signal Proc Soc, IEEE Commun Soc, ViSRATEK, Adresgezgini, Rohde & Schwarz, Integrated Syst & Syst Design, Atilim Univ, Havelsan, Izmir Katip Celebi Univ
dc.identifier.doi10.1109/SIU.2018.8404207
dc.identifier.isbn9781538615010
dc.identifier.issn2165-0608
dc.identifier.scopus2-s2.0-85050795616
dc.identifier.scopusqualityN/A
dc.identifier.urihttps://hdl.handle.net/11501/1493
dc.identifier.urihttps://doi.org/10.1109/SIU.2018.8404207
dc.identifier.wosWOS:000511448500060
dc.identifier.wosqualityN/A
dc.indekslendigikaynakWeb of Science
dc.indekslendigikaynakScopus
dc.institutionauthorÇerçi, Çağrı
dc.language.isotr
dc.publisherIEEE
dc.relation.ispartof26th IEEE Signal Processing and Communications Applications Conference (SIU)
dc.relation.publicationcategoryKonferans Öğesi - Uluslararası - Kurum Öğretim Elemanı
dc.rightsinfo:eu-repo/semantics/closedAccess
dc.subjectYapay Sinir Ağları
dc.subjectK-en Yakın Komşular
dc.subjectÖznitelik Çıkarımı
dc.subjectSınıflandırma
dc.subjectArtificial Neural Networks
dc.subjectK-Nearest Neighbors
dc.subjectFeature Extraction
dc.subjectClassification
dc.titleEMG sinyallerinin özniteliklerinin çıkarılması, YSA ve kNN algoritmalarıyla sınıflandırılması
dc.title.alternativeFeature extraction of EMG signals, classification with ANN and kNN algorithms
dc.typeConference Object

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Küçük Resim Yok
İsim:
Tam Metin / Full Text
Boyut:
841.26 KB
Biçim:
Adobe Portable Document Format
İndir

Koleksiyon

WoS İndeksli Yayınlar Koleksiyonu
Mühendislik Fakültesi Koleksiyonu
Scopus İndeksli Yayınlar Koleksiyonu