Saldırgan hareketlerine ilişkin EMG işaretlerinin AR tabanlı k-NN ile sınıflandırılması
Citation
Acar, E., Özerdem, M. S. (2014). Saldırgan hareketlerine ilişkin EMG işaretlerinin AR tabanlı k-NN ile sınıflandırılması. 22nd Signal Processing and Communications Applications Conference , 12 Haziran 2014, Trabzon, Turkey. https://doi.org/10.1109/SIU.2014.6830212Abstract
EMG işaret işleme teknolojisi protez kontrolü, klinik tıp ve
spor bilimi gibi uygulama alanlarında etkili olmuştur. Bu
çalışmada, farklı bireylere ait saldırgan iki harekete ilişkin
EMG işaretlerinden elde edilen öznitelik vektörlerine göre,
hareketlerin sınıflandırılması amaçlanmıştır. İşaretler UCI
veri tabanından elde edilmiştir. EMG işaretlerinin güç
spektral yoğunluk (PSD) kestirimi, parametrik yöntemlerden
AR Burg Yöntemi kullanılarak hesaplanmıştır. Daha sonra, bu
işaretlerin PSD haritalarına belirli istatiksel yöntemler
uygulanarak, bu işaretlerin öznitelik vektörleri çıkarılmıştır.
Bu yöntem ile elde edilen öznitelik vektörleri farklı k-NN
sınıflandırıcısının girişlerine verilerek, sistemin performans
değerleri karşılaştırılmıştır. Sonuç olarak en yüksek ortalama
performans, k-NN sınıflandırıcısının k=7, 9 ve 10
komşularında % 97.92 olarak gözlemlenmiştir The fields of EMG signal processing technology has been
effective in the application of prosthetic control and clinical
medicine or sport science. The main purpose of this study is to
classify two aggressive action EMG signals which are taken
from different people, according to their texture feature
vectors. The physical action EMG set is derived from UCI
database. The power spectral density (PSD) estimation of
EMG signals is calculated by using AR Burg Method. The
texture feature vectors of EMG signals are extracted by
applying statistical methods to PSD maps of each signal. PSD
based feature vectors are given to different type of k-NN
classifier as inputs and the performance results of each system
are compared. Finally, the best average performance is
observed as 97.92 % in k=7, 9 and 10 neighbors structure of
k-NN classifier.
Source
22nd Signal Processing and Communications Applications ConferenceThe following license files are associated with this item: