Acar, EmrullahÖzerdem, Mehmet Siraç2019-06-202019-06-202014-06-12Acar, 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.2014.68302129781479948741https://doi.org/10.1109/SIU.2014.6830212https://hdl.handle.net/20.500.12402/2072EMG 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 gözlemlenmiştirThe 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.trinfo:eu-repo/semantics/closedAccessAttribution-NonCommercial-NoDerivs 3.0 United StatesPower Spectral DensitySignal ProcessingTexturesConference Object248251N/AN/A