Please use this identifier to cite or link to this item: https://hdl.handle.net/20.500.11851/11168
Title: El Sıkma Hareketinin İşlevsel Yakın Kızılaltı Spektroskopisi ve Elektromiyografi Sinyalleri Kullanılarak Sınıflandırılması
Other Titles: Classification of Hand-Grip Movement Using Functional Near-Infrared Spectroscopy and Electromyography
Authors: Eken, Aykut
Keywords: El sıkma
iYKAS
EMG
Makine Öğrenmesi
Hand-Grip
fNIRS
EMG
Machine Learning
Publisher: Dicle Üniversitesi
Source: Aykut, E. K. E. N. (2023). El Sıkma Hareketinin İşlevsel Yakın Kızılaltı Spektroskopisi ve Elektromiyografi Sinyalleri Kullanılarak Sınıflandırılması. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 14(1), 35-46.
Abstract: El hareketinin sınıflandırılması, özellikle inme rahatsızlığı geçiren kişilerde nörorehabilitasyon amaçlı beyin bilgisayar arayüzü (BBA) modellerinin geliştirilmesinde büyük önem arz etmektedir. Ancak, el hareketi odaklı BBA modellerinin geliştirilmesinde kullanılan kas ve beyin aktivitesi ölçüm modalitelerinin tek başlarına kullanılmasında, nörolojik adaptasyon ve bazı hasta gruplarının nöromusküler hastalık barındırması gibi çeşitli problemler bulunmaktadır. Bu çalışmada bir kavrama kuvveti görevi aracılığı ile gerçekleştirilen el hareketinin sonucu elde edilen işlevsel yakın kızılaltı spektroskopisi (iYKAS) ve elektromiyografi (EMG) sinyalleri kullanılarak el hareketinin sınıflandırılması gerçekleştirilmiştir. Bu sinyallerden çıkartılan öznitelikler, L1 norm tabanlı bir destek vektör makinesi (DVM) ile seçildikten sonra, K-en yakın komşuluk, doğrusal ve radyal temelli DVM, Gradyan Artırma, Adaboost, Naive Bayes, Doğrusal Diskriminant, Kuadratik Diskriminant ve Lojistik regresyon sınıflandırıcılarına verilmiştir. Sınıflandırıcıların başarımı, bir katılımcıyı dışarıda bırak (leave-one-subject-out) çapraz geçerliliği uygulanarak gerçekleştirilmiştir. Sınıflandırıcılar arasında en yüksek doğruluk yüzdesi, iYKAS ve EMG odaklı özniteliklerden faydalanılarak, Doğrusal Diskriminant metodu ile %84 olarak bulunmuştur. Sonuçlarımız bize işlevsel yakın kızılaltı spektroskopisi ve elektromiyografi verilerinin el hareketinin sınıflandırılmasında kullanılabileceğini ve bunun BBA sistemlerine de entegre edilebileceğini ortaya koymaktadır.
Classification of hand movement is of great importance in the development of brain-computer interface (BCI) models for neurorehabilitation, particularly in stroke patients. However, there are various problems in the application of muscle and brain activity measurement modalities used in the performance of hand movement-oriented BCI systems, such as neurological adaptation and neuromuscular disease in some patient groups. In this study, classification of hand movement was performed using functional near infrared spectroscopy (fNIRS) and electromyography (EMG) signals obtained as a result of hand movement performed through a grip strength task. Features extracted from these signals are given to K-nearest neighbor, linear and radial basis SVM, Gradient Boost, Adaboost, Naive Bayes, Linear Discriminant, Quadratic Discriminant and Logistic regression classifiers after they are selected with an L1 norm-based support vector machine (SVM). The performance of the classifiers was achieved by applying the leaveone-subject-out cross-validation. Among the classifiers, the highest percentage of accuracy was found to be 84% with the Linear Discriminant method, using iYKAS and EMG focused features. Our results reveal that functional near-infrared spectroscopy and electromyography data can be used to classify hand movement and can be integrated into BCI systems.
URI: https://doi.org/10.24012/dumf.1212691
https://hdl.handle.net/20.500.11851/11168
ISSN: 1309-8640
2146-4391
Appears in Collections:Biyomedikal Mühendisliği Bölümü / Department of Biomedical Engineering

Show full item record



CORE Recommender

Page view(s)

56
checked on Nov 4, 2024

Google ScholarTM

Check




Altmetric


Items in GCRIS Repository are protected by copyright, with all rights reserved, unless otherwise indicated.