1. IMPROVEMENT OF THE HYBRID FEATURE EXTRACTION METHOD FOR EMG SIGNALS
- Author
-
Abdullah Caliskan
- Subjects
Computer Science, Information System ,Computer science ,business.industry ,Computation ,Feature extraction ,Pattern recognition ,Domain (software engineering) ,elektromiyografi,öznitelik çıkarma,sınıflandırma,parmak hareketleri ,Finger movement ,Histogram ,Classifier (linguistics) ,Preprocessor ,Bilgisayar Bilimleri, Bilgi Sistemleri ,Artificial intelligence ,electromyography,feature extraction,classification,finger movements ,business ,Time complexity - Abstract
Buçalışmada EMG sinyalleri kullanılarak 14 farklı parmak hareketi önerilen yenibir öznitelik çıkarma yöntemiyle sınıflandırılmıştır. EMG sinyallerinden parmakhareketlerinin tespiti / sınıflandırılması, ön işleme, özellik çıkarma vesınıflandırma adımlarını içeren 3 ana adımdan oluşur. EMG sinyallerininsınıflandırılmasında, sınıflandırıcının performansı doğrudan öznitelik çıkarmayöntemine bağlıdır. Bu sebeple öznitelik çıkarma yöntemi uygun bir biçimdeseçilmelidir. Literatürde zaman, histogram ve frekans tabanlı birçok öznitelikçıkarma yöntemi vardır. Ancak bu yöntemler yüksek zaman karmaşıklığı, çok fazlaişleme ihtiyaç duyma, fazla sayıda kontrol parametresi bulundurma, vb. birçokdezavantaja sahiptir. Bu çalışmada EMG sinyallerinden çeşitli parmakhareketlerinin sınıflandırılması amacıyla sayılan dezavantajları ortadankaldırmak için yeni bir öznitelik çıkarma yöntemi sunulmuştur. Bu yöntem ikizaman tabanlı öznitelik çıkarma yönteminin hibritleştirilmesiyle eldeedilmiştir. 10 kat çapraz doğrulamayla elde edilen deneysel sonuçlarına göre, önerilenyöntemin %97,48 doğruluk oranıyla bu çalışmada kullanılan diğer 9 öznitelikçıkarma yöntemlerinden daha iyi olduğu deneysel olarak gösterilmiştir. Deneyselsonuçlar istatistiksel yöntemlerle desteklenmiştir., This studyaims to discuss classification of 14 different finger movements from EMG signalsby using new feature extraction technique. The detection/classification of finger movements consists of 3 mainsteps including, preprocessing, feature extraction and classification steps. Inclassification of EMG signals, the performance of the classifier directly dependson feature extraction methods, including, time, histogram and frequency-basedmethods. However, these feature extraction methods have several drawbacksincluding, high time complexity, high computation demand, user suppliedparameters, etc. In this paper, a new feature extraction method has beenproposed for the classification of finger movements from EMG signals toovercome these problems. The proposed method based on hybridization of 2-timedomain feature extraction techniques. The use of this method resulted in an accuracyof 97.48% after 10-fold-cross-validation. The experimental results supportedwith statistical analysis show that proposed method is better than 9 featureextraction methods investigated in this paper
- Published
- 2019