Search

Sosyal bilim çalışmalarının odağında insan yer almaktadır. Haliyle insanın bulunduğu çevredeki sergilediği davranışlar ve ifade ettiği düşünceler anlamlandırılmaya çalışılmaktadır. Genelde bu anlamlandırma işlemi ya ifadelere katılım düzeyini belirleyen anketlerle ya da gözlem ve görüşme teknikleriyle yapılmaktadır. İnsanın farkında olmadan gerçekleştirdiği davranışların hangi zamanlarda ortaya çıktığının bulunması ve bu davranışların yorumlanması biyolojik geri bildirim sayesinde yapılmaktadır. Bu çalışmanın amacı daha çok fen bilimleri çalışmalarında kullanılan biyolojik geri bildirim yöntemlerinin sosyal bilim çalışmalarının hangi konularında, hangi veri toplama tekniği ve hangi analiz yöntemleriyle yapıldığını ortaya koymaktır. Çalışma kapsamında TR dizin veri tabanında biyolojik geri bildirim yöntemlerinin kullanıldığı sosyal bilim çalışmaları ele alınmıştır. Toplamda 132 çalışmaya ulaşılmıştır. Çalışmaların yöntem bölümleri analiz edilmiş ve mevcut durum ortaya koyularak gelecek çalışmalara yönelik önerilerde bulunulmuştur.

Biyometrik tanıma sistemleri, bir bireyi vücudunun benzersiz özelliklerine göre tanıyan bir teknoloji sunar. Bu teknoloji, bir kişinin fiziksel özelliklerini analiz ederek ve veri tabanında depolanan ana bilgisayar verileriyle eşleşip eşleşmediğini belirleyerek ana bilgisayarın kimliğini doğrulamaktadır. Örneğin, kimlik doğrulama sistemleri, parmak izi veya iris deseni veya ana bilgisayarın yüz şekli gibi özellikleri analiz eder. Bununla beraber kullanıcının akıllı telefonuna entegre edilmiş bir ivmeölçer kullanılarak yürüyüşü analiz edilerek veya sesin karakteristik frekansı analiz edilerek bir kişinin kimliği doğrulanabilmektedir. Son yıllardaki en umut verici biyometrik teknoloji, elektromiyogram (EMG) sinyalleri gibi kas hareketi sinyalininin kullanılmasıdır. Bu yöntem, EMG sinyallerinin morfolojik özelliklerini analiz ederek gerçek zamanlı kimlik doğrulamayı sağlamaktadır. Böylece bilgisayar korsanlığı gibi durumları önlediği için biyometrik teknoloji alanında önemli bir gelişme potansiyeline sahiptir. Bu literatür özetinde EMG tabanlı biometrik çalışmalar anlatılmıştır., EMG-based Biometric Approaches using Machine Learning Models: A Concise Survey Biometric recognition systems offer technology that recognizes an individual based on their body's unique characteristics. This technology verifies the identity of the host by analyzing a person's physical characteristics and determining if they match the host data stored in the database. For example, authentication systems analyze features such as fingerprint or iris pattern, or host's face shape. However, a person's identity can be verified by analyzing the gait or the characteristic frequency of the sound using an accelerometer integrated in the user's smartphone. The most promising biometric technology in recent years is the use of unique signals such as electromyogram (EMG). This method provides real-time authentication by analyzing the morphological features of EMG signals. Thus, it has a significant development potential in the field of biometric technology, as it prevents hacking. In this literature summary, EMG-based biometric studies are described., {"references":["X. Jiang et al., \"Neuromuscular Password-Based User Authentication,\" IEEE Trans. Ind. Informatics, vol. 17, no. 4, pp. 2641–2652, Apr. 2021, doi: 10.1109/TII.2020.3001612","J.-S. Kim, M.-G. Kim, and S.-B. Pan, \"Two-Step Biometrics Using Electromyogram Signal Based on Convolutional Neural Network-Long Short-Term Memory Networks,\" Appl. Sci., vol. 11, no. 15, p. 6824, Jul. 2021, doi: 10.3390/app11156824","L. Lu, J. Mao, W. Wang, G. Ding, and Z. Zhang, \"A Study of Personal Recognition Method Based on EMG Signal,\" IEEE Trans. Biomed. Circuits Syst., vol. 14, no. 4, pp. 681–691, Aug. 2020, doi: 10.1109/TBCAS.2020.3005148","Y. LeCun, Y. Bengio, and G. Hinton, \"Deep learning,\" Nature, vol. 521, no. 7553, pp. 436–444, May 2015, doi: 10.1038/nature14539","S. Venugopalan, F. Juefei-Xu, B. Cowley, and M. Savvides, \"Electromyograph and keystroke dynamics for spoof-resistant biometric authentication,\" in 2015 IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), Jun. 2015, pp. 109–118, doi: 10.1109/CVPRW.2015.7301326","S. Shin, J. Jung, and Y. T. Kim, \"A study of an EMG-based authentication algorithm using an artificial neural network,\" in 2017 IEEE SENSORS, Oct. 2017, pp. 1–3, doi: 10.1109/ICSENS.2017.8234158","L. Lu, J. Mao, W. Wang, G. Ding, and Z. Zhang, \"An EMG-Based Personal Identification Method Using Continuous Wavelet Transform and Convolutional Neural Networks,\" in 2019 IEEE Biomedical Circuits and Systems Conference (BioCAS), Oct. 2019, pp. 1–4, doi: 10.1109/BIOCAS.2019.8919230","R. Shioji, S. Ito, M. Ito, and M. Fukumi, \"Personal Authentication and Hand Motion Recognition based on Wrist EMG Analysis by a Convolutional Neural Network,\" in 2018 IEEE International Conference on Internet of Things and Intelligence System (IOTAIS), Nov. 2018, pp. 184–188, doi: 10.1109/IOTAIS.2018.8600826","M. Lee, J. Ryu, and I. Youn, \"Biometric personal identification based on gait analysis using surface EMG signals,\" in 2017 2nd IEEE International Conference on Computational Intelligence and Applications (ICCIA), Sep. 2017, pp. 318–321, doi: 10.1109/CIAPP.2017.8167230","S. Morikawa, S. Ito, M. Ito, and M. Fukumi, \"Personal Authentication by Lips EMG Using Dry Electrode and CNN,\" in 2018 IEEE International Conference on Internet of Things and Intelligence System (IOTAIS), Nov. 2018, pp. 180–183, doi: 10.1109/IOTAIS.2018.8600859","Q. Li, P. Dong, and J. Zheng, \"Enhancing the Security of Pattern Unlock with Surface EMG-Based Biometrics,\" Appl. Sci., vol. 10, no. 2, p. 541, Jan. 2020, doi: 10.3390/app10020541","M. U. Khan, Z. A. Choudry, S. Aziz, S. Z. H. Naqvi, A. Aymin, and M. A. Imtiaz, \"Biometric Authentication based on EMG Signals of Speech,\" in 2020 International Conference on Electrical, Communication, and Computer Engineering (ICECCE), Jun. 2020, pp. 1–5, doi: 10.1109/ICECCE49384.2020.9179354","N. Belgacem, R. Fournier, A. Nait-Ali, and F. Bereksi-Reguig, \"A Novel Biometric Authentication Approach using ECG and EMG signals,\" J. Med. Eng. Technol., vol. 39, no. 4, pp. 226–238, May 2015, doi: 10.3109/03091902.2015.1021429"]}

Öz: Elektromiyografi (EMG) elektriksel aktiviteyi ölçmek için kullanılan bir yöntemdir. Bu yöntem günümüzde hastalık tespitinde kullanılmasıyla yaygınlaşmış olsa da robotik, protez kontrolü, video oyunları gibi popüler alanlarda yer edinmiştir. Bu çalışmada altı temel el hareketinin EMG sinyalleri kullanılarak sınıflandırılması amaçlanmıştır. Bu amaç doğrultusunda transfer öğrenme yaklaşımı kullanılmıştır. EMG sinyalleri çok seviyeli dalgacık paket dönüşümü (DPD) ile zaman-frekans (ZF) görüntülerine çevrilmiştir. Bütün kanallara ait ZF görüntülerinin %80’i birleştirilerek GoogLeNet mimarisini eğitmek için kullanılmıştır. Hareket tanımada başarımı artırmak için GoogLeNet’ten elde edilen öznitelikler Destek Vektör Makinesi (DVM) ile sınıflandırılmıştır. Önerilen yöntem altı temel el hareketini tanımada %98.833 doğruluk oranına sahiptir. Önerilen yöntem aynı veri setini kullanan yöntemler ile karşılaştırılmıştır. Yapılan karşılaştırmalar sonucunda önerilen yöntemin mevcut yöntemlerden %0.8 daha yüksek performans sergilediği görülmüştür. Deneysel çalışmalar önerilen yaklaşımın EMG ile hareket tanımada kullanılabilecek etkin ve verimli bir yöntem olduğunu göstermiştir.

Özellikle yaşadığımız coğrafyaların bir kaderi olan savaş ve çeşitli yaralanmalar sonucu ampute bir hayat sürmek zorunda kalan engelli bireylerin yaşam koşullarını iyileştirmek adına akıllı protezlerin geliştirilmesi hayati bir önem arzetmekdir. Çeşitli nedenlerle uzuvlarını kaybeden bireyler için farklı protez tasarımları mevcuttur. Fakat mümkün olduğu durumlarda bireyin kolundan alınan EMG işaretlerinin analizi sonucu akıllı prototiplerin elektronik olarak hareket ettirilmesi teknolojik anlamda mümkün hale gelmiştir. Bu çalışmanın amacı ise, 3D yazıcı yardımıyla üretilen robotik kolu kontrol etmek ve EMG sinyallerine dayalı olarak insan kol hareketlerini öğrenmektir. Günlük yaşamda uygulanabilir yedi el hareketini ayırt edebilmek için Myo Armband tarafından beş sağlıklı denekten EMG sinyalleri elde edilmiştir. Örüntü tanıma sistemi, hareketler ile eşleştirilen sinyalleri üç aşamada (bölümleme, özellik çıkarma ve sınıflandırma) analiz etmek ve işlemek için kullanılmıştır. EMG sinyalleri girişim tekniği ile bölümlere ayrılmıştır. Zaman domeninde TD-PSD yöntemi ile altı özellik çıkarılmıştır. Sistemin optimum doğruluğunu bulmak ve aralarında karşılaştırma yapabilmek için LDA ve SVM sınıflandırıcıları tercih edilmiştir. Prototip bir robotik kolun gerçek zamanlı olarak çalışabileceği şekilde kontrol edilmesi için en iyi parametreler ve özellikler seçilerek gerekli kabul edilebilir sınıflandırma başarısı hedeflenmiştir. LDA (93.43%) ve SVM (92.30%) sınıflandırıcı algoritmaları birbirlerine yakın bir sınıflandırma başarısı göstermiştir. Sonuç itibarıyla deneklerden alınan EMG işaretleri başarı ile sınıflandırılarak yedi farklı el hareketinin EMG işaretleri tespit edilmiştir. Devamında prototip el tarafından yapılması mümkün olan dört farklı el hareketi deneklerden kablosuz yöntemlerle alınan EMG işaretleri analiz edilerek eş zamanlı bir şekilde başarı ile protez kol tarafından gerçekleştirilmiştir. The development of smart prostheses is of vital importance, especially in order to improve the living conditions of disabled individuals who have to lead an amputated life as a result of war and various injuries, which are the fate of the geographies we live in. Different prosthesis designs are available for individuals who have lost their limbs for various reasons. However, as a result of the analysis of EMG signals taken from the arm of the individual, it has become technologically possible to move smart prototypes electronically. The aim of this study is to control the robotic prosthetic arm produced with the help of 3D printer and to learn human arm movements based on EMG signals. EMG signals were obtained from five healthy subjects by Myo Armband in order to distinguish the seven hand movements applicable in daily life. The pattern recognition system was used to analyze and process signals paired with movements in three stages (segmentation, feature extraction and classification). EMG signals are segmented by interference technique. Six features were extracted with the TD-PSD method in the time domain. LDA and SVM classifiers were preferred in order to find the optimum accuracy of the system and to make comparisons between them. In order to control a prototype robotic arm in such a way that it can operate in real time, the best parameters and features are selected and the required acceptable classification success is aimed. LDA (93.43%) and SVM (92.30%) classifier algorithms showed close classification success to each other. As a result, seven different hand movements were determined by successfully classifying the EMG signals obtained from the subjects. Afterwards, the four different hand movements that can be made by the prototype hand were analyzed by the EMG signals obtained from the subjects by wireless methods, and were successfully performed by the prosthetic arm simultaneously.

Artificial intelligence (AI)-based technologies assist users in applying the intended action when upper extremity movement cannot be fully provided. Electromyography (EMG), a depiction of muscle activity, offers various advantages when employed with AI-based systems like virtual reality applications and prosthetics controls. In this paper, a fuzzy logic (FL)-based decision-making mechanism is presented in order to provide effective control and improve the prediction performance of the stated systems. In this regard, EMG signals were collected from 30 participants when imitating different seven hand gestures. After the necessary preprocessing and segmentation processes, the Empirical Mode Decomposition (EMD) method which is the first stage of the Hilbert-Huang Transform (HHT) was applied and Intrinsic Mode Functions (IMF) were obtained. High-resolution time-frequency (TF) images were obtained by applying HHT to the IMFs determined by a statistical selection method. Various distinctive features were extracted from the visualized TF images based on the joint representation of the time and frequency domain. The Adaptive Neuro-Fuzzy Inference System (ANFIS) was then fed these features, which used two alternative clustering approaches. For seven hand gesture classifications, the average accuracy scores for the Subtractive Clustering (SC) and Fuzzy C-mean (FCM) clustering methods were obtained as 93.88% and 92.10%, respectively. The proposed feature extraction method based on TF representation combined with FL techniques yielded encouraging results for the classification of nonstationary and nonlinear biological signals such as EMG., Üst ekstremite hareketi tam olarak sağlanamadığında, yapay zeka (artificial intelligence/AI) sistemleri kullanıcılara amaçlanan hareketin uygulanması konusunda yardımcı olurlar. Kas aktivitesinin temsili olan elektromiyografi (EMG), sanal gerçeklik uygulamaları ve protez kontrolleri gibi AI-tabanlı sistemlerde kullanıldığında çeşitli faydalar sağlar. Bu çalışmada, bahsedilen sistemlere etkin kontrol sunmak ve tahmin performanslarını iyileştirmek amacıyla bulanık mantık (Fuzzy Logic/FL)-tabanlı bir karar verme mekanizması sunulmuştur. Bu bağlamda, 30 katılımcıdan yedi farklı el hareketini taklit etmesi sonucunda oluşan EMG sinyalleri toplandı. Gerekli ön işleme ve bölütleme işlemlerinin ardından elde edilen sinyallere Hilbert-Huang Dönüşümü'nün (HHD) ilk aşaması Görgül Kip Ayrışımı (GKA) metodu uygulandı ve İçsel Mod Fonksiyonları (İMF) elde edildi. İstatistiksel İMF seçim yöntemi ile belirlenen İMF’lere HHD uygulanmasıyla iyi çözünürlüklü zaman-frekans (time-frequency/TF) imgeleri elde edildi. Zaman ve frekans uzayının ortak temsiline dayalı görselleştirilmiş TF imgelerinden çeşitli ayırt edici öznitelikler çıkartıldı. İki farklı kümeleme tekniği uygulanan öznitelik veri seti, Uyarlamalı Sinirsel Bulanık Çıkarım Sistemi'ne (ANFIS) girdi olarak verildi. Yedi el hareketi sınıflandırması için Azaltımlı (Subtractive Clustering/SC) ve Bulanık C-ortalama (Fuzzy C-mean/FCM) kümeleme yöntemleri için ortalama doğruluk değerleri sırasıyla %93,88 ve %92,10 olarak elde edilmiştir. TF temsiline dayalı özniteliklerin FL yaklaşımlarıyla sınıflandırılması sonucu elde edilen bulgular, EMG gibi durağan ve doğrusal olmayan biyolojik sinyallerin sınıflandırılması için umut verici olduğunu göstermiştir.

Since central nervous system involvement is prominent in multiple sclerosis (MS), no abnormality is expected in peripheral nerve conduction studies. However, there are studies in the literature supporting the abnormalities in peripheral nerve conduction studies in patients with MS. Our aim in this study is to determine whether there is peripheral nerve involvement in patients with Relapsing-Remitting MS (RRMS) with peripheral nerve conduction studies. Conduction velocity, distal latency (DL) and action potential amplitude in median, peroneal, tibial and sural nerves were compared by electromyography (EMG) between 20 patients who were diagnosed with definite RRMS according to McDonalds criteria revised in 2001 and 15 control group. In the comparison of EMG studies performed between the patient and control groups, no statistically significant difference was found between conduction velocity, DL, and action potential amplitudes. Although no statistically significant difference was found between the patients with MS and the control group in our nerve conduction studies, peripheral nerve involvement was observed between 5% and 14% in the subgroups of patients with MS in various studies. There is a need for more comprehensive studies with a larger sample size on this subject., Multipl sklerozda (MS) santral sinir sistemi tutulması ön planda olduğu için perferik sinir iletimi çalışmalarında herhangi bir anormallik beklenmez. Ancak literatürde MS'li hastalarda periferik sinir iletim çalışmaları anormallikleri destekleyen çalışmalarda vardır. Bizim bu çalışmadaki amacımız Relapsing-Remitting formdaki MS'li (RRMS) hastalarda periferik sinir tutulumunun olup olmadığını, periferik sinir iletim çalışmaları ile ortaya koymaktır. 2001 yılında revize edilen McDonalds kriterlerine göre kesin RRMS tanısı alan 20 kişilik hasta grubu ile 15 kişilik kontrol grubu arasında yapılan elektromiyografi (EMG) ile median, peroneal, tibial ve sural sinirlerde ileti hızı, distal latans (DL) ve aksiyon potansiyeli amplitüt değerleri karşılaştırılması yapıldı. Hasta ve kontrol grubunda arasında yapılan EMG çalışmalarının karşılaştırılmasında ileti hızı, DL, aksiyon potansiyeli amplitütleri arasında istatiksel olarak anlamlı fark bulunamamıştır. Bizim yaptığımız sinir ileti çalışmalarında MS’li hastalarla, kontrol gurubu arasında istatiksel olarak anlamlı fark bulunamamış olmasına rağmen, çeşitli çalışmalarda MS’li hasta alt gruplarında yaklaşık %5 ile %14 arasında periferik sinir tutulumu gözlenmiştir. Bu konuda daha geniş örneklem büyüklüğüyle ve daha kapsamlı yapılacak çalışmalara ihtiyaç vardır.

Amaç: Karpal tünel sendromu (KTS) median sinirin el bileği seviyesinde, karpal tünel içinde farklı nedenlere bağlı olarak, basıya maruz kalması sonucu gelişen, üst ekstremitenin en sık görülen periferik bir nöropatisidir.Ülkemizde yapılan bir çalışmada sağ el tercihi oranı %67,5, sol el tercih oranı %31,9 ve her iki eli de kullanabilme oranı %1,1 olarak saptanmıştır.Karpal tünel sendromunun baskın olan elde daha sık görüldüğü bilinmektedir.Bu çalışmada izole baskın olmayan elde veya daha belirgin derecede KTS saptanan olguların demografik ve risk faktörleriyle ilişkisi araştırılmıştır. Materyal ve Metot: Ocak 2016- ocak 2020 tarihleri arasında, Samsun Eğitim veAraştırma Hastanesi elektofizyoloji laboratuvarına KTS ön tanısıyla yönlendirilen ve KTS saptanan olgular ardışık olarak çalışmaya dahil edilmiş ve retrospektif olarak incelenmiştir. Bulgular: Çalışmaya KTS ön tanısıyla EMG laboratuvarına yönlendirilen ardışık 3304 hasta alındı. Hastaların 439 kişide KTS saptanmadığı için çalışma dışı bırakılarak 2865 olgu değerlendirildi. İki taraflı KTS olgularının %57,1’inde baskın elde daha belirgin, %8,5’inde baskın olmayan elinde daha belirgin KTS saptanmıştır.Her iki el tercihi olan olguların %60’ında sağ, %40’ında sol elde daha belirgin KTS saptanmıştır. Sonuç: Karpal tünel sendromu saptanan, sağ ve sol el tercihli hastaların yaş, cinsiyet, demografik ve sinir iletim incelemeleri açısından istatistiksel olarak anlamlı fark bulunmadı., Aim: Carpal tunnel syndrome (CTS) is the most common peripheral neuropathy of the upper extremity, which develops as a result of exposure of the median nerve at the level of the wrist, within the wrist canal due to different reasons. In a study conducted in our country, the rate of right-handedness was 67.5%, the rate of left-handedness was 31.9%, and the rate of using both hands was 1.1%. In this study, our aim is to examine the rates of isolated and/or bilateral CTS in the non-dominant hand, which is more prominent in this wrist. Materials and Methods: Between January 2016 and January 2020, the cases who were referred to Samsun Training and Research Hospital electrophysiology laboratory with the preliminary diagnosis of CTS and who were found to have CTS were included in the study consecutively and analyzed retrospectively. Annet Hand Preference Questionnaire” was applied. Results: A total of 3304 consecutive patients referred to the EMG laboratory with a preliminary diagnosis of CTS were included in the study. Since CTS was not detected in 439 patients, 2865 cases were evaluated by excluding them from the study. Of 2810 right-handed patients; There were 1874 women (66.7%) and 936 (33.3%) men, with a mean age of 45.1±1.7 and 48.5±0.7, respectively. There were 35 (1.2%) left hand dominant patients. There was no statistically significant difference between the age, gender and demographic data of the right and left hand dominant patients. Conclusion: CTS was detected only in the right hand of 2100 (74.7%) patients with right-handed preference. CTS was more prominent in the dominant hand in 18% of bilateral CTS cases, and more prominent in the non-dominant hand in 5.4%. Although it is one of the few studies on hand dominance in the literature, the high number of patients in the article increases the value of the article. As in other studies, carpal tunnel syndrome is more prominent in the dominant hand.

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. Muscles are one of the basic building blocks that enable us to move. As a result of the contraction and relaxation of the muscles, bioelectrical signals are formed and the bioelectrical signals provide the formation of movement. Surface Electromyogram (EMG) signal is obtained by measuring these marks with electrodes. Human movements can be imitated by processing surface EMG signals and can be used in many different areas. The human hand can perform many hand gesture combinations thanks to the different mobility of the fingers. For this reason, it will be easier for the fingers to move independently of each other in prosthetic hands and to perform different hand gestures. In this study, by keeping this view in the foreground, models are proposed by classifying the signals offline and in real time in order to make finger gestures move independently. Surface EMG and gyroscope signals were received using the myo armband. The data set consists of 6 finger gestures taken from 10 people. These 6 movements are the thumb, index finger, middle finger, ring finger, little finger and rest. The data set was filtered, the part where the gesture was made was determined and the windowing process was applied. 17 features are used in the feature matrix. The most successful feature group was determined with the sequential forward feature selection method. Classification was made using the Classification Learner App and Neural Network Pattern Recognition Tool in Matlab®. Four models have been proposed for offline classification. In the first model, %91.56 performance was achieved by using surface EMG data and CSVM classifier. In the second model, %92.56 performance was achieved by using surface EMG and gyroscope data and CSVM classifier. In the third model, a %94.4 success was achieved in the classification made by using surface EMG data and ANN's CGB training algorithm. In the last model, a success of %96.3 was achieved in the classification made using the surface EMG and gyroscope data and the SCG training algorithm of ANN. In real-time classification, the offline classified model was chosen for the training set. For the test set, instant data was taken from the myo armband and classified. The performance is %90.36 in the model created by using the whole data set. In the model created using the individual data set, the performance is %98.33. High performance models have been proposed for prosthetic arm and virtual hand control by processing finger data. These models are applicable for prosthetic arms and virtual hand controls. It is estimated that prosthetic arm functionality will be increased by processing finger data.

Biyolojik işaretlerin ölçülmesi birçok hastalık hakkında daha iyi bilgi edinilmesi ve bu hastalıkların teşhisi amacıyla sağlık alanında uzun zamandır kullanılmaktadır. Bununla birlikte engelli bireylerin sahip olduğu engellerin aşılması, protezlerin geliştirilmesi içinde biyolojik işaretleri ölçen ve işleyen sistemler mühendislik alanlarında kullanılmakta ve geliştirilmektedir. Ancak bu sistemlerin daha da geliştirilebilmesi için bu konuda daha fazla çalışmanın literatüre kazandırılması gerekmektedir. Bu çalışmada EEG, EOG, ECG ve EMG gibi biyoelektrik işaretleri yükseltip süzgeçleyen, Raspberry Pi 3B+ kartına modüler tek kanallı analog yükselteç ve süzgeç devresi gerçeklenmiştir. Alınan biyoelektrik işaret verileri Raspberry Pi' de Python programlama dilinde yazılan arayüz ile gerçek zamanlı olarak görüntülenmiştir. Oluşturulan arayüz ile alınan işaretler gerçek zamanlı olarak çizdirilebilmekte, kaydedilebilmekte ve kaydedilen işaretler tekrardan çizdirilebilmektedir. Ayrıca EEG, EOG, ECG ve EMG işaretleri için ayrı ayrı arayüzler oluşturularak bu işaretlerin farklı karakteristikleri de gözlenmiştir. Kaydedilen işaretleri tekrar çizdirmek ve incelemek için çevrim dışı arayüzler oluşturulmuştur. Bu arayüzler ile csv formatında kaydedilen işaretler tekrar çizdirilmekte; yüksek geçiren, alçak geçiren, bant geçiren ve bant durduran süzgeçler uygulanıp çizdirilebilmekte ve işaretlerin FFT dönüşümleri alınabilmektedir. Süzgeçlenen işaretler ve FFT dönüşümü alınan işaretler tekrardan kaydedilebilmektedir. İşaretleri görüntülemek ve işlemek için Raspberry Pi seçilerek tüm sistemin kolay taşınabilir olması sağlanmıştır. Ayrıca arayüz yazılımı için Python dilinin tercih edilmesinin sebebi açık kaynak kodlu popüler bir yazılım dili olması ve geniş bir kütüphaneye sahip olmasıdır. Measurement of biological signals has been used in the field of health for a long time to gain better information about many diseases and to diagnose these diseases. In addition, systems that measure and process biological signals are used and developed in engineering fields in order to overcome the obstacles of disabled individuals and to develop prostheses. However, in order for these systems to be develop further, more studies on this subject should be brought to the literature. In this study, a modular single-channel analog amplifier and filter circuit that amplifies and filters bioelectric signals such as EEG, EOG, ECG and EMG is implemented on the Raspberry Pi 3B+ board. The received bioelectrical signal data was displayed in real time with the interface written in the Python programming language on the Raspberry Pi. With the created interface, the received signals can be plotted in real time, recorded and recorded signals can be redrawn. In addition, different characteristics of these signals were observed by creating separate interfaces for EEG, EOG, ECG and EMG signals. Offline interfaces have been created to redraw and examine the recorded signals. With these interfaces, the signals recorded in csv format are redrawn; high-pass, low-pass, band-pass and band-stop filters can be applied and plotted, and FFT transformations of signals can be obtained.Filtered signals and fft transform received signals can be re-recorded. By choosing Raspberry Pi to view and process data, the entire system is easily portable. In addition, the reason why Python language is preferred for interface software is that it is a popular open source software language and has a large library.

28th Signal Processing and Communications Applications Conference, SIU (2020; Gaziantep, Turkey), Electromyography (EMG) is a biological signal widely used in medical imaging. It is used by doctors for the classification and diagnosis of myopathic and neuropathic diseases. Many different techniques have been used to ease the diagnosis of these diseases like machine learning and support vector machines (SVM). In this work, various methods used in telecommunication systems for digital modulation identification have been used to extract features from EMG signals as potential features. The results show success in classifying between different types of EMG waveforms.

Bu çalışmada, Afyon Kocatepe Üniversitesi Veteriner Fakültesi Hayvan Hastanesine ovariohisterektomi, kastrasyon operasyonu ve genel muayene için getirilen sağlıklı köpeklerde yapılan abdominal ultrasonografik muayenenin EKG ve EMG traselerine ne şekilde yansıdığı, kalbe ilişkin EKG analizinde kalp hızı ile EMG verilerinde kas kasılmasına ilişkin olarak kasılımların kantitatif proseslerle ortaya konulması amaçlanmaktadır. Yine ayrıca USG uygulanırken aynı anda hem EKG hem de EMG uygulanmasının her hangi bir komplikasyon oluşturup oluşturmayacağının ortaya konulması amaçlanmaktadır. Tüm köpekler lateral pozisyona yatırılarak M. biceps femoris kasının en şişkin yerinin ortası tıraş edildi. Deri alkollü pamukla silindikten sonra Ag/AgCl yapışkan elektrotlar kas liflerine paralel olacak şekilde yerleştirildi. İki elektrotun merkezden merkeze uzaklığı 2 cm olarak ayarlandı. EKG için iki elektrot kalbin her iki yanına yapıştırıldı. EMG ve EKG kayıt sistemi köpeğe bağlandıktan sonra köpek bu pozisyonda sakinleşene kadar 5 dk beklendi. Daha sonra Esaote My LabFive VET marka renkli Doppler Ultrasonografi cihazı ve bu cihaza ait 5.0/8.0 MHz multi frekanslarında tarama yapabilen mikrokonveksprob kullanılarak yapılan USG işleminden en az 15 saniye öncesi ve 10 saniyesi sonrası kayıt altına alındı.Veri analizlerinde bu sinyaller kullanıldı. Biyosinyal kayıt sistemi 1 kanal EMG ve 1 kanal da EKG kaydı için ayarlandı. Amplifikatörlerin ortak gürültüden kurtulma oranı 85 dB’in üzeri idi. EMG amplifikatörünün geçirme bandı amplitüd analizine uygun şekilde 5-450 Hz, EKG amplifikatörünün geçirme bandı ise 0.5-40 Hz olarak ayarlandı. Sistemin 12-bit Analog dijital çeviricileri 128 kez ardışık örneklemenin ortalamasını alarak veriyi Android 7.0 temelli kayıt sistemine aktarıldı. Veriler daha sonra Windows temelli bir bilgisayarda Matlab 2018 (Mathworks, ABD) bilimsel analiz programı ile işlendi. Sonuç olarak çalışmaya alınan köpeklerde EKG verileri değerlendirildiğinde kalp hızının istatistiksel olarak arttığı ayrıca EMG sonuçlarına göre de etkilenen kas gruplarında anlamlı derecede kasılma saptandı. Ancak bu tür uygulamaların hastanın sağlığını etkileyecek herhangi bir komplikasyona yol açmadığı görüldü. In this study, the abdominal ultrasonographic examination performed in healthy dogs which handled to Afyon Kocatepe University Veterinary Faculty Animal Hospital for ovariohystectomy, castration operation and general examination. The aim emphasized todetermine the heartrates reflect with ECG analysis and muscle contraction in EMG data with quantitative processes. It is also aimed to reveal whether applying ECG and EMG simultaneously will cause any complications while USG application. All dogs were placed in the lateral position and the middle of the most bulging part of the M. biceps femoris muscle was shaved. After the skin was wiped with alcohol cotton, Ag / AgCl sticky electrodes were placed parallel to the muscle fibers. The distance of the two electrodes from the center to the center was set as 2 cm. For the ECG, two electrodes were sticked to both sides of the heart. After the EMG and ECG recording system was connected to the dog, the dog was waited for 5 minutes until the dog calmed down in this position. Then, Esaote My LabFive VET brand color Doppler ultrasonography device and microconvex probe that can scan at 5.0 / 8.0 MHz multi-frequencies of this device were recorded at least 15 seconds before and 10 seconds after data analysis. These signals were used in data analysis. The biosignal recording system was set for 1 channel EMG and 1 channel for ECG recording. The amplification ratio of the amplifiers was over 85 dB. The transmission band of the EMG amplifier was set to 5-450 Hz according to the amplitude analysis, and the transmission band of the ECG amplifier was set to 0.5-40 Hz. The system's 12-bit Analog digital converters were averaged 128 consecutive sampling data and transferred to the Android 7.0-based recording system. The data was then processed on a Windows-based computer with the Matlab 2018 (Mathworks, USA) scientific analysis program. As a result, the heart rates of dogs were increased statistically during abdominal USG examination significant contractions were detected in the affected muscle groups according to the results of EMG. However, it was observed that such applications did not cause any complications that would affect the patient's health.

Elektromiyografik (EMG) kas aktivitesini ölçmek için kullanılan faydalı bir tekniktir. EMG sinyalleri çoğunlukla protez, fiziksel rehabilitasyon, Nöromusküler bozuklukların teşhisi ve beyin-bilgisayar arayüzü gibi medikal uygulamalara yardımcı karar destek sistemlerinde kullanılır. Bu çalışmada EMG sinyallerini sınıflamak için kullanışlı bir yaklaşım önerilmiştir. Önerilen yöntemde, özellik çıkarma yöntemi olarak Fraktal Eğimden Arındırılmış Dalgalanma Analizi (F-EADA) ve örtüşmeyen pencereli Kök Ortalama Karesi (p-KOK) kullanılmıştır. F-EADA yöntemi korelasyon ve istatistiksel benzerliği ölçmek için kullanılan bir yöntemdir. KOK istatistiksel bir ölçüdür ve EMG tanıma sistemlerinde ayırt edici bir parametre olabilmektedir. p-KOK yaklaşımı geleneksel KOK yönteminden daha yeteneklidir ve bu ayırt edici yetenek deneysel sonuçlarla gösterilmiştir. Çıkarılan EMG öznitelikleri, Destek Vektör Makinesi (DVM), k-En Yakın Komşu (kEYK), Karar Ağacı (KA) ve Doğrusal Diskriminant Analizi (DDA) yöntemleri ile sınıflandırılmıştır. DVM Sınıflandırıcı bu yöntemler arasında en iyi performansa sahiptir. Önerilen yöntem, altı farklı nesne tutma eylemini içeren EMG veri seti ile test edilmiştir. Deneysel çalışmalar, önerilen yöntemin %96.83 doğruluk ile EMG veri setini sınıflamak için uygun olduğunu göstermiştir. Ayrıca, önerilen yöntem aynı veri setini kullanan diğer yöntemlerle karşılaştırıldığında daha iyi performansa sahiptir Electromyographic (EMG) is useful technique to measure muscle activity. EMG signals mostly used in decision support system to help medical purposes such as prosthesis, physical rehabilitation, the diagnosis of neuromuscular disorders, and brain computer interface. This work proposes a useful approach to recognize EMG signals. Fractal Detrended Fluctuation Analysis (F-DFA) and non-overlap windowed Root Mean Square (w-RMS) are used as a feature extraction method. In the proposed method, F-DFA method has been exploited to determine correlation and statistical similarity. RMS is statistical measure and it can be as a distinctive parameter in EMG recognition systems. w-RMS approach is capable more than traditional RMS and this distinctive capable showed with experimental results. The features of EMG are classified common the four method such as Support Vector Machine (SVM), k-nearest Neighbor (kNN), Decision Tree (DT), and Linear Discriminant Analysis (LDA). The SVM Classifier has best performance in among these methods. The proposed method has been tested with the EMG dataset consisting of six different object holding actions. The experimental works have been demonstrated the convenient of the proposed method with %96.83 accuracy to classify the EMG dataset. Also, the proposed method has a better performance compared to other methods using the same dataset.

06.03.2018 tarihli ve 30352 sayılı Resmi Gazetede yayımlanan “Yükseköğretim Kanunu İle Bazı Kanun Ve Kanun Hükmünde Kararnamelerde Değişiklik Yapılması Hakkında Kanun” ile 18.06.2018 tarihli “Lisansüstü Tezlerin Elektronik Ortamda Toplanması, Düzenlenmesi ve Erişime Açılmasına İlişkin Yönerge” gereğince tam metin erişime açılmıştır. Gelişen teknoloji ile giyilebilir cihazlar üzerine geliştirme çalışmaları yapılmakta ve ticari ürünler piyasaya çıkmaya devam etmektedir. Bu çalışmaların önemli bir kısmı insan vucüdundaki hareketleri algılayabilen giyilebilir sensörler üzerine odaklanmaktadır. Bu çalışmada Thalmic Labs tarafından üretilen Myo Armband ürünü ile insan kol hareketlerinin algılanması ve endüstriyel robot kolunu kontrol etmesi ile bir İnsan Robot Arayüzü geliştirilmiştir. Myo Armband bileklik şeklinde olup üzerinde bulunan EMG (Elektromiyografi) ve jiroskop sensörleri ile kolun hareketinin algılanmasında yarımcı olmaktadır. Myo Armband ile bilgisayar sistemi arasında kablosuz bağlantı kurularak ham EMG ve jiroskop verilerinin gerçek zamanlı olarak bilgisayara gönderilmesi mümkindür. Pratik çalışma için ABB firması tarafından üretilen IRB120 endüstriyel robotu kullanılmıştır. IRB120 endüstriyel robotu kendi kontrolörü dışında ABB firması tarafından verilen yazılım geliştirme kiti kullanılarak ethernet haberleşmesi ile de kontrol edilebilmektedir. Geliştirilen yazılım ile EMG ve jiroskop verilerinden elde edilen veriler hareket ve konum bilgilerine dönüştürülerek ethernet üzerinden gerçek zamanlı gönderilmesi ile endüstriyel robotun insan hareketlerini takip etmesi sağlanmıştır. Bu çalışma sonucu olarak gerçekleştirilen yazılım ile yeni HMI sistemi endüstriyel robot kollarının ucuz ve kolay yollardan kontrolünü mümkün kılmaktadır. Development efforts rising on wearable devices and commercial products has begun confront commercial market. This study is mainly focused on wearable sensors that can be used to measure human movements. In this study, a Human Robot Interface (HRI) was developed with the Myo Armband product by Thalmic Labs, with the perception of human arm movements. Myo Armband is bracelet shaped device and it helps to detect movements of the arm thanks to EMG (Elekctromyography ) and gyroscope sensors on it. By establishing a wireless connection between Myo Armband and the computer system it is possible to send raw EMG and Gyroscope data in real time to the computer. IRB120 industrial robot that produced by ABB Robotics company is used for practical tests. IRB120 industrial robot can be controlled besides its own controller. In study, EMG and gyroscope daha has been sent to robot arm over ethernet in order to follow the human movements. As a result of this work, the new HMI system makes it possible to control industrial robot arms in a cheap and easy way.

UF-EMG test, in which non-invasive uroflowmetry (UF) and electromyography (EMG) signals are simultaneously recorded, is frequently used in children diagnosed with lower urinary tract dysfunction disease (AUSD) and its treatment. In the literature, independent (single) UF signals and integrated (dual) UF-EMG signals are graded many times but there is no classification study of UF-EMG integrated signals with Artificial Neural Networks (ANN), although studies have been done to classify UF signals with ANN. In this paper, it was aimed to classify the UF-EMG signals recorded from pediatric patients during the UF-EMG tests in Urodinami Center of Gulhane Education and Research Hospital using ANN. 773 (80%) of the 967 patients with an average age of 8 were used for training and 194 (20%) were used for the test. In YSA, the contribution of the features obtained from the EMG signals played a crucial role and was the main reason to improve the signal classification from 58% to 84.02%. The new classification method created by the obtained data does facilitate the interpretation of UF-EMG results for the clinical personnel in diagnosis, follow-up and treatment of patients. It is also aimed that the pediatric patients living in regions with less access to health care can be treated by providing an early and easy preliminary diagnostic tool., Günümüzde çocuklarda alt üriner sistem disfonksiyonu (AÜSD) hastalıklarının teşhisinde ve tedavinin takibinde, girişimsel olmayan (noninvaziv) üroflovmetri (UF) ve elektromiyografi (EMG) sinyallerinin eşzamanlı olarak kaydedildiği UF-EMG testi sıklıkla kullanılmaktadır. Literatürde, bağımsız UF sinyalleri ve UF-EMG sinyalleri birçok defa derecelendirilmiş, UF sinyallerinin Yapay Sinir Ağları (YSA) ile sınıflandırılmasına dair çalışmalar yapılmış olmasına rağmen, UF-EMG sinyallerinin birlikte kullanıldığı YSA ile sınıflandırma çalışması bulunmamaktadır. Bu çalışmada, Gülhane Eğitim ve Araştırma Hastanesi Ürodinami Merkezinde, pediatrik hastalara uygulanan UFEMG testleri sırasında kaydedilen sinyallerin YSA kullanılarak sınıflandırılması amaçlanmıştır. Yaş ortalaması 8 olan 967 hasta verisinden 773 adedi (%80) eğitim, 194 adedi (%20) ise test amaçlı kullanılmış, YSA’da EMG sinyallerinden elde edilen özniteliklerin katkısı başarı oranının %58‘den %84,02 seviyelerine gelmesini sağlamıştır. Elde edilen veriler ile oluşturulan yeni sınıflandırma metodu hastaların tanı, takip ve tedavisinde sağlık personelinin UF-EMG sonuçlarını yorumlamasında kolaylık sağlamayı; sağlık hizmetine ulaşma imkânı daha az olan bölgelerdeki çocuk hastalara, daha erken ve kolay ön tanı konularak uygun tedaviye yönlendirme imkânı sağlamayı hedeflemektedir.

İçinde bulunduğumuz yüzyılda bilim ve teknoloji hızla gelişmekte ve yaşamın her alanını etkilemektedir. Bu etki alanının en başta geleni şüphesiz sağlık ve biyomedikal alandır. İnsan bedeni çalışırken bazı organlar işlevleri ile ilgili birtakım izleme işaretleri üretir. Yatağa bağlı olmadan hareketli hastalardan kendi doğal yaşam alanlarında fizyolojik işaretlerin alınması, hastane ortamının negatif etkilerini de ortadan kaldırmakta ve sağlık merkezlerine bağlı kalmadan hastanın izlenebilmesini sağlamaktadır. İnsan vücudunda oluşan bu göstergelerden bazıları uygun sensörlerle hastalardan alınır, elektriksel verilere dönüştürülür ve cihazlar yardımıyla işlenerek yorumlanmak üzere alan uzmanına sunulur. Bu çalışmada gerçekleştirilen sistem sayesinde hastanın evden çıkmadan bir uzman tarafından takibi sağlanabilecektir. Bu şekilde kişilerin sağlık durumları uzaktan da olsa takip edilebilecek merkeze gelen verilerle gerektiğinde hastaya müdahale yapılabilecektir. Bu yöntem sayesinde hastaların sağlık merkezlerinde yoğunluk oluşturmaları önlenebilecektir. Giyilebilir sistem’ler günümüzde en popüler araştırma konularından biridir. Farklı sensörlerin kullanıldığı çalışmalar incelendiğinde çok sık ölçüm ihtiyacı duyulan fizyolojik işaretlerin; EKG, EMG, glikoz ölçümü, nabız, vücut sıcaklığı, kan basıncı, oksijen satürasyonu olduğu görülmektedir. Bu çalışmada EKG, EMG ve Pulse Oksimetre aracı ile elde edilen nabız ve SpO2 değerlerini izlemeye olanak tanıyan Libelium firmasının üretmiş olduğu e-Health algılayıcı platform kiti kullanılmıştır. Vücudun belirli bölgelerine yerleştirilen elektrotlar aracılığı ile EKG, EMG, SpO2 ve nabız değerleri ölçülüp işlenebilir değerlere dönüştürülmektedir. Analog olan bu sinyaller bir mikroişlemci yardımıyla sayısal işaretlere çevrilmektedir. İşaretlerin anlaşılır hale gelebilmesi için Visual Studio .NET platformu kullanılarak bir yazılım geliştirilmiş ve e-Health algılayıcı platformu ile bilgisayar sistemi arasında bağlantı kurularak hastanın gerçek zamanlı EKG, EMG ve SpO2 sinyallerinin, taşınabilir bir sistem olan Grafik LCD üzerinde veya bilgisayar ekranında görüntülenmesi ve yorumlanması sağlanmıştır. The technology we are living in is rapidly developing and affecting every aspect of our lives. One of the areas where this effect is most felt is undoubtedly the health and biomedical field. During human body work, it produces some tracking signs related to the functions of some organs. Taking the physiological markings from non-bedridden moving patients in their natural environment removes the negative effects of the hospital setting and provides that the patient can be monitored without being bound to health centers Some of these indicators, which are formed in the human body, are taken from patients with appropriate sensors, the electrical data are converted and presented to the field specialist for interpretation by means of devices.. Thanks to the system implemented in this study, the patient is followed by an expert without leaving the house. Thus, the health information is monitored from outside the hospital, and the patient will be able to intervened when needed . This method will prevent the intensity of the patients in health centers. Wearable Systems are one of the most popular research topics today. When the studies using different sensors are examined, it is seen that the physiological signals that need to be measured very often are; ECG, EMG, glucose measurement, heart rate, body temperature, blood pressure and oxygen saturation. In this study, e-Health platform kit, produced by Libelium company, which enables to monitor ECG, EMG and pulse values, is used. ECG, EMG,SpO2 and pulse values are measured and converted into processable values through electrodes placed in certain regions of the body. These analog signals are converted to digital signals by means of a microprocessor. A software has been developed using the "Visual Studio .NET" platform to make the signals clear and, by connecting the e-Health platform to the computer system the real-time ECG, EMG and SpO2 values of the patient can be displayed and interpreted on the computer screen or graphic LCD which is a portable system and the interpretation is enabled so.

From disease detection to action assessment EMG signals are used variety of field. Miscellaneous studies have been conducted toward analysis of EMG signals. In this study some statistical features of signal were derived, the best evocative features were selected via Linear Discriminant Analysis (LDA) and feature vectors were constructed. This analytic feature vectors were classified through Extreme Learning Machine (ELM). 8 channel EMG signals recorded from 10 normal and 10 aggressive actions were used as an example. By cross-comparison of the obtained results to the ones obtained via various feature identifying methods (AR coefficients, wavelet energy and entropy) and classification methods (NB, SVM, LR, ANN, PART, Jrip, J48 and LMT) the success of the proposed method was determined.

Boyun ağrıları günümüzde kronik ağrı sıralamasında, bel ağrılarından sonra ikinci sırayı oluşturmaktadır. Yanlış duruş, psikolojik stres, yorgunluk gibi etkenler boyun bölgesinde ağrıyı arttıran faktörlerdir. Boyun bölgesindeki kaslara dinamik ya da statik yüklenme ile servikal kas yorgunluğu meydana gelir. Bu tez çalışmasında boyun fıtığı hastaları ile normal kişilerin, yüzey elektromiyografi (EMG) sinyallerinin analizi ile servikal bölge kaslarında oluşan kas yorgunluğu araştırılmıştır. EMG sinyalleri; 10 normal ve 10 boyun fıtığı hastasından alınmıştır. Kayıtlar; iki kanallı kayıt sistemi ile servikal bölgede yer alan trapezius ve strenoclediomastoid kaslarından eş zamanlı olarak; dinlenme-çalışma-yorulma olarak ifade edilen 3 aşamada 20 saniyelik periyotlarla toplam 60 sn? de tamamlanmıştır. Çalışmanın birinci aşamasında; normal ve hasta grubun yüzey EMG sinyallerinden elde edilen medyan, mean ve mod frekans değerleri ile güç spektrumunun alçak frekanslara doğru kaydığı gözlenerek kas yorgunluğu tespit edilmiştir. İkinci aşamada; EMG sinyallerinden, öznitelik vektörleri çıkarmak amacıyla, Kısa Zamanlı Fourier Dönüşümü (KZFD); Ayrık Dalgacık Dönüşümü (ADD) ve Özbağlanım Metodları (AR) uygulanmıştır. Dinlenme-çalışma-yorulma durumları ve Normal/Hasta grubun sınıflandırılması için yapay sinir ağları kullanılmıştır. EMG sinyallerinin öznitelikleri yapay sinir ağının girişlerini oluşturmuştur. Sınıflandırma sonuçlarına göre en yüksek sınıflama doğrulukları; AR ve ADD yöntemleri ile elde edilmiştir., Nowadays, neck pain is the second place after the back pain in the ranking of the chronic pain. Factors such as incorrect posture, psychological stress, fatigue are increasing pain in the neck region. Dynamic or static load in the neck region, cervical muscle fatigue occurs. Muscle fatigue of cervical region were investigated in cervical disc patients and healty people with analysing of the surface electromyography (SEMG) signals, EMG signals were obtained from 10 healty person and 10 cervical disc patient. Records were taken simultaneously with two-channel recording system in the cervical region from trapezius and strenoclediomastoid muscles. Recordings were completed in three process: resting-working-fatigue in 20 second intervals of as a total of 60 seconds. Muscle fatigue was detected by shifting the lower frequency of the power spectrum density with the median, mean and the mod frequency of the sEMG signals which are taken from healty and patient group at the first stage. Second, in order to feature extraction from EMG signals, Short Time Fourier Transform (STFT), Discrete Wavelet Transform (DWT) and Autoregressive method (AR) were applied and for the classification Artifical Neural Network (ANN) was used. The features of sEMG signals constituted the inputs of ANN. Classification is carried out in two stages: classification of the resting-working-fatigue and classification of healty/patient. The highest classification accuracy was obtained by AR and DWT methods.

Yorgunluk ?beklenen kuvvet veya güç çıktısının azalmasıdır?. Yorgunluk üst merkezler başta olmak üzere, kasa motor bilginin ulaşmasında, sinir- kas kavşağında ve kasın kendisinde gelişebilir. Sprint antrenmanları anaerobik performansı geliştirmesinin yanında yorgunluğa karşı dayanıklılığı da geliştirebilmektedir. Bu çalışmada sprint antrenmanlarının akut yorgunluk sürecine olası etkilerinin değerlendirilmesi amaçlanmıştır. Çalışmaya Çukurova Üniversitesi Beden Eğitimi ve Spor Yüksekokulunda okuyan yaş ortalaması 23±3, boy ortalaması 176±4 cm, vücut ağırlıkları 70±6 kg ve maksimum Oksijen tüketimleri 60,1±5,8 ml/kg/dk olan rekreatif olarak aktif 16 gönüllü erkek öğrenci katılmıştır.Sprint antrenmanları haftada 3 gün olmak üzere 5 hafta sürmüştür. Antrenmanlarda 30 metrelik parkur her hafta yüklenme şiddeti artacak şekilde koşturularak, son hafta 10 sprinti maksimal derecede yapmaları sağlanmıştır. Sprintler arasında 30 sn dinlenme verilmiştir.Bu çalışmada antrenmanlara başlamadan önce ve sonra sporcuların maksimal 30 metre sprint dereceleri, maksimal izometrik diz ekstensiyon kuvvetleri, maksimal izometrik kasılmaya ait EMG ölçümü ve kasa dışarıdan verilen elektrik uyarısının etkileri yorgunluk testinden önce-sonra tekrarlanmıştır. Yorgunluk protokolü olarak 80 rpm'de 3 dakikalık yükleme paketlerini içeren bisiklet testi seçilmiştir. 60 W/dk yükleme ile başlanmış ve her 1 dakikada yük 10 W artırılmıştır. Yorgunluk protokolü sırasında laktat üretimleri ve yüklemelerden önce-sonra kan K+,Na+,Pi,CK ve LDH ölçülmüştür.Yorgunluk testinden sonra sporcuların maksimal istemli kas kuvvetlerinin düştüğü, laktat üretim oranlarının arttığı, serum K+, Na+, Pi, CK ve LDH düzeylerinin yükseldiği görülmüştür. Kas kuvvetinin azalması ile EMG değerlendirmesinde ortalama frekans değerlerinin de azaldığı tespit edilmiştir. Yorgunluktan önce kasa istemli kasılma olmaksızın verilen elektrik uyarısının ürettiği kuvvet değerlerinin yorgunluktan sonra önemli oranda düştüğü görülmüştür. İstemli kasılma sırasında verilen elektrik uyarısı yorgunluk öncesinde ve sonrasında kuvvet artışına yol açmamıştır. EMG kayıtlarında rektus kasının etkin olduğu gözlenmiştir.Antrenmanlardan sonra maksimal kas kuvvetinin arttığı, VO2max'ın arttığı, teste dayanıklılık sürelerinin uzadığı, sprint performansının geliştiği görülmüştür. Denekler antrenmandan sonra yorgunluk testinde daha fazla laktat üretmişlerdir. Dinlenim ve yorgunluk kan değerleri, elektrik uyarısına verilen yanıtlar, EMG yanıtları antrenmanlardan etkilenmemiştir.Sonuç olarak sprint antrenmanlarının hem aerobik ve hem de anaerobik adaptasyonlar oluşturduğu görülmüştür. Kasa yorgunlukta dışarıdan verilen elektriksel uyarıya kasın yanıtsız kalması kasın hayatiyetinin korunmasında periferik sistemin önemini göstermektedir. Maksimal kasılma sırasında elektrik uyarısının kuvvet artışına neden olmaması sporcuların kaslarını tama yakın oranda aktive edebildiklerini düşündürmüştür. Fatigue can be defined as ? the decrease to maintain the expected force or power?. Fatigue may occur at firstly supraspinal levels, neuromuscular junction and muscle itself. Sprint trainings can improve anaerobic and aerobic performance. In this study it was aimed to evaluate the effect of sprint training on acute fatigue. 16 male subjects (mean age 23±3, height 176±4 cm, body mass 70±6 kg and VO2max 60,1±5,8 ml/kg/min ) volunteered fort the study.The sprint exercise comprised of 30 m running and continued 5 weeks (3 day per week) and 30 sec recovery was applied between sprints. Subjects achieved ten maximal sprint at the last week.Before and after training, 30 m maximal sprint performance, maximal knee isometric voluntary contraction strength, EMG measure while maximal contraction and electrostimulation on muscle were measured before and after fatigue test. Fatigue test was applied on bicycle as 80 rpm and 3 min load. 3 min recovery were done inter 3 min load. Fatigue test was started 60 W/min and 10 W loaded every minute. After exhaustion lactate, K+, Na+, Pi, CK and LDH levels were measured.After fatigue test maximal voluntary contraction ( MVC) decreased, serum K+, Na+, Pi, CK and LDH levels increased. While maximal strength decreasing mean firing frequencies of quadriceps decreased. The strength of electric stimulation decreased after fatigue test. The electric stimulation during MVC did not lead to the increase in the muscle force before and after fatigue. EMG measurements showed that rectus femorise is the most effective muscle in this isometric contraction.It was measured the increasing in MVC, VO2max, exhaustion time and improve sprint performance. The subjects produced more lactate after sprint training. Resting and fatigue blood marker, responses to electric stimulation and EMG were not affected by training.In summary it is suggested that sprint training resulted in aerobic and anaerobic adaptations. Any force increase by electric stimulation while MVC, suggested that the importance of peripheral factors in fatigue and that all subjects could activate all muscle fiber near fully. 168

06.03.2018 tarihli ve 30352 sayılı Resmi Gazetede yayımlanan “Yükseköğretim Kanunu İle Bazı Kanun Ve Kanun Hükmünde Kararnamelerde Değişiklik Yapılması Hakkında Kanun” ile 18.06.2018 tarihli “Lisansüstü Tezlerin Elektronik Ortamda Toplanması, Düzenlenmesi ve Erişime Açılmasına İlişkin Yönerge” gereğince tam metin erişime açılmıştır. Elektrokimyasal kökenli biyolojik işaretlerin varlığının fark edilmesinden bu yana birçok bilim adamı insana haiz mükemmel olan vücut hareketlerini inceleyip modellemeye çalışmışlardır. Yapılan çalışmalarda geliştirilen yeni teknikleri ve yöntemleri kullanarak kasların aktivasyonu sonucu ortaya çıkan ham miyoelektrik işaretleri(MES) faydalı hale getirmişler ve protez-biyonik uzuvların mekanik kısımlarını süren elektronik kontrolörlerde kaynak işareti olarak kullanmışlardır. Ayrıca teknolojinin gelişimiyle günlük hayatımızda çokça yer alan, başta otomotiv olmak üzere birçok endüstri alanında kullanılan ve yakın gelecekte hastanelerde evlerimizde de kullanılması beklenen robotlara da insana yakın el becerileri kazandırılmaya çalışılmaktadır.Günümüzde kullanılan protez eller sınırlı hareket kabiliyetine sahiptirler. Gerçeğe yakın daha hünerli protez-yapay ellerin yapılabilmesi için şu üç konu üzerindeki çalışmalar sürecektir. Birincisi elin yeterli serbestlik derecesinde çalışabilmesini sağlayacak mekanik çözümler, ikincisi mekanik kısmın istenen kabiliyette ve hızda hareket etmesini sağlayacak elektronik devreler ve üçüncüsü bu kontrolör devreyi sürmesi için kullanılacak kaynak işaretin üretilmesi ve amaca uygun olarak kullanılmasıdır. Üçüncüsü, ham EMG işaretinden faydalı kaynak işaretin elde edilmesi ve amaca uygun kullanılmasıdır ki buda işaret işleme ve yapay zeka tekniklerinin gelişimine paralel olarak daha da iyileşecektir. Önem derecesine göre sıralamak gerekirse öncelikle 3. ve 2. problemler çözülmeden daha gelişmiş protez ? yapay uzuvlardan bahsedilemeyecektir.Bu çalışmada yukarıda belirtilen problemlerden üçüncüsüne, yeni çözümler getirilmek istenmiştir. Bu amaçla protez-biyonik el çalışmalarında önem arz eden el hareketlerinden; nesnelerin bilinçli kontrol altında amaca uygun kullanılmasını sağlayan bazı hareketler seçilerek bu hareketlerin konumlarına karşılık gelen elektromiyogram işaretleri kayıtlanmıştır. Daha sonra kayıtlanan bu ham elektromiyogram işaretleri, elektromiyogram işaretinin tabiatına uygun dalgacık dönüşümü tabanlı öz bağlanımlı modeller kullanılarak yapay sinir ağları ile sınıflandırılmıştır. Lots of researchers try to modelling perfect body motions since electrochemical basis biologic signals have been discovered. In many studies, raw Mioelectrical Signals (MES) which are consequent of muscle contraction become meaningful and useful via new technics and methods. This signals used for source signals for electronic devices drive mechanical parts of prosthesis-bionic limb. Also the development of technology in robotics field; researchers wants to bring robots in hand proficiency which are rarely used in automotive, surgery etc. areas.Nowadays prosthesis hands used has limited activity ability. To compose more proficient prothesis-artificial hands the studies must keep going on this three topics. The first one is mechanical solutions which supply the ability of freenes scale, second one is electronic circuits which are responsible for obtaning motion speed at desirable ability and the third one is to generate source signals which are used to drive this electronic circuits. The third one become better which is paralel with the improvement and development of signal processing and artificial intelligence technics. We couldn?t talk about more developed prothesis-artificial limbs unless third and second problems solved.In this work, the aim is to make better and newer solutions for third problem. For this reason, motions which are used for controlling objects consciously are identified and Electromyogram signals which are used for talented some hand motions was recorded according to this consciously motions. After this recording stage; Wavelet Transform based autoregressive models that is suitable for signal nature and known as a good signal processing technic for Electromyogram used for analysis of signal. After that these signals are classified by neural networks.

06.03.2018 tarihli ve 30352 sayılı Resmi Gazetede yayımlanan “Yükseköğretim Kanunu İle Bazı Kanun Ve Kanun Hükmünde Kararnamelerde Değişiklik Yapılması Hakkında Kanun” ile 18.06.2018 tarihli “Lisansüstü Tezlerin Elektronik Ortamda Toplanması, Düzenlenmesi ve Erişime Açılmasına İlişkin Yönerge” gereğince tam metin erişime açılmıştır. Bu çalışmada, intromasküler (kas içi) elektromiyografik işaretlere ait motor üniteaksiyon potansiyellerinin (MUAP) spektral analiz yöntemleri ile önişlenmesi vedesen sınıflandırması yapılmıştır. Sunulan metot otomatik olarak MUAP şablonkümelerinin sayısını bulmakta ve bunları normal, nörojenik veya miyopatik olaraksınıflandırmaktadır. EMG işaretlerinden öznitelik vektörü (feature vector) çıkartmakiçin farklı AR parametrik metotları ve alternatif olarak işaretin belirleyici özelliklerikullanılmıştır. Bu yaklaşım, 7'si normal, 7'si miyopatik ve 13'ü de nörojenikrahatsızlığı olan deneklerden elde edilen 1200 MUAP'lık EMG kayıtlarının birveritabanında değerlendirilmesiyle sağlanmıştır. MUAP gruplarının doğru tanınmasıoranı normal, miyopatik ve nöropatik için sırasıyla %97, 90 ve 87 ve alternatifyöntemde % 97, 89 ve 90 dır. Eklenen MUAP'ların yaklaşık yüzde doksanı doğruolarak tanımlanmıştır. MUAP sınıflandırması için elde edilen doğruluk oranı, BileşikSinir Ağları (CNN) için %92'dir. Sunulan metot, çok hızlı EMG ayrışımlarısağlamasa da, işlenmemiş EMG işaretlerinden nöropatik, miyopatik veya normalsınıflara otomatik MUAP adreslemesini yapabilmektedir.Çalışmada benzer bir sınıflandırma FEBANN ile de yapılmıştır. Elde edilensonuçlar, bu çalışma için, CNN'in doğruluk oranlarının FEBANN'a göre dahayüksek olduğunu göstermektedir. motor unit action potentials (MUAPs) from intramuscular electromyographic signals.The proposed method automatically detects the number of template MUAP clustersand classifies them into normal, neuropathic or myopathic. To extract a featurevector from the EMG signal, we use different AR parametric methods and features ofsignals. The approach has been validated using a dataset of EMG recordingscomposed of 1200 MUAPs obtained from 7 normal subjects, 7 subjects sufferingfrom myopathy, and 13 subjects suffering from neurogenic disease. The correctidentification rate for MUAP clustering is 97, 90 and 87% for normal, myopathic andneuropathic, respectively. Almost ninety percent of the superimposed MUAPs werecorrectly identified. The obtained accuracy for MUAP classification is about 92% forcombined neural network. The proposed method, apart from efficient EMGdecomposition addresses automatic MUAP classification to neuropathic, myopathicor normal classes directly from raw EMG signals.A similar classification was also made with FEBANN in the study. Obtained resultsshow that the accuracy rates for CNN in this study is higher than FEBANN

Myotonia congenita çok nadir görülen nondistrofik myopatidir. Hastalığın iletiminin otozomal recessif bir karakterde olduğunu bildirenler olduğu gibi otozomal dominant olduğunu ileri sürenler de vardır. Burada Myotonia congenita'lı bir olguyu ebeveynlerinin EMG bulguları ile birlikte sunmak istedik. Myotonia Congenita is a rare form of nondystrophic myopathies. There is no clear appointment about the inheritance of this disease. Some believe on an autosomal recessive trait but the others believe on dominancy. In this case report depending on the EMG findings the nature of this disease is discussed.