Electrical - Electronic Engineering / Elektrik - Elektronik Mühendisliği
Permanent URI for this collectionhttps://hdl.handle.net/11147/11
Browse
3 results
Search Results
Conference Object Citation - Scopus: 2Parkinson hastalığı sınıflandırmasına yönelik ivmeölçer tabanlı zamanlama analizi(IEEE, 2023) Karaçalı, Bilge; Onay, FatihParkinson's disease is a neurodegenerative disorder caused by dopamine deficiency in the basal ganglia, resulting in cognitive and motor impairments. In this study, accelerometer signals were used to estimate the delay time between the command to start pedaling and the actual movement onset in three groups: healthy individuals (n=13), Parkinson's disease patients (n=13), and patients with freezing of gait symptoms (n=13). Features were extracted from the delay time distributions for each participant and subjected to a triple classification. Linear support vector machine achieved a classification accuracy of 69.2% for all participants. Notably, the average time to start pedaling was found to be significantly different among the three groups, and accelerometer-based timing analysis could be used as a diagnostic tool to assist clinical tests.Conference Object Ampute Elektromiyografi Sinyallerinin Evrişimli Sinir Ağları Kullanılarak Sınıflandırılması(IEEE, 2020) Onay, Fatih; Mert, AhmetThe classification of EMG signals for the amputees is important to develop a powered-prosthetic that is capable of replacing with lost limbs. The EMG signals collected from residual limbs reduce the classification accuracy due to muscle movements that cannot be realized properly. In this study, classification performance is aimed to be increased by combining CNN with root mean square (RMS) and waveform length (WL) that are used in analysis of EMG signals successfully. The features such as RMS and WL extracted from EMG signals for the classification of six hand movements at the low, medium, and high force levels were applied to CNN input, and classification results were compared with nearest neighbour and linear discriminant analysis.Article Değişken Kuvvetli Emg Sinyallerinin Çok Değişkenli Görgül Kip Ayrışımı ile Analizi ve Sınıflandırılması(Marmara Üniversitesi, 2020) Onay, Fatih; Mert, AhmetElektromiyografi (EMG) sinyalleri, insan-makine etkileşimli akıllı el protezlerinin kontrolünde önemli bir rol oynamaktadır. Kas aktivesinin bir sonucu olarak ortaya çıkan EMG sinyalleri, yapılan aktiviteye dair özel bilgileri kendi içerisinde ihtiva etmektedir. Dolayısıyla akıllı el protezlerinin işlevselliğinin arttırılması, kas bölgesinden toplanan EMG sinyalinin doğru bir şekilde analiz edilip yorumlanmasına önemli ölçüde bağlıdır. Bu konsepte uygun olarak, akıllı el protezi hareketlerinin karar verme sürecinde, EMG sinyallerinin güvenilir bir şekilde kullanılabilmesi için, var olan yöntemlerin geliştirilmesi ya da bu yöntemlere üstünlük sağlayacak yeni yöntemler önerilmesi gerekmektedir. Bu çalışma kapsamında, çok kanallı EMG sinyallerinin analizinin geliştirilmesi amacıyla, çok değişkenli görgül kip ayrışımı (ÇDGKA) tabanlı öznitelik çıkarma yöntemi, geleneksel metotlara alternatif olarak sunulmuştur. Sinyali adaptif olarak salınım modlarına ayıran ÇDGKA yöntemi kullanılarak, EMG sinyalinden daha anlamlı bilgi edinilmesi amaçlanmıştır. ÇDGKA tabanlı özniteliklerin farklı el ve parmak hareketlerini ayırt etme performansı ve farklı kuvvet seviyelerine karşı gösterdiği performans incelenmiştir. Bu amaçla ampute katılımcıların artık uzuvlarından toplanan düşük, orta ve yüksek kuvvet seviyelerine ait EMG sinyalleri üzerinde ÇDGKA yöntemi uygulanarak özgül kip fonksiyonları (ÖKF) elde edilmiştir. Elde edilen ÖKF’lerden çıkarılan öznitelikler kullanılarak altı farklı el ve parmak hareketi, en yakın komşu (k-NN), doğrusal ayrım analizi (LDA) ve destek vektör makinesi (SVM) sınıflandırıcıları kullanılarak sınıflandırılmıştır. Aynı kuvvet seviyesinde eğitilip test edilerek (Senaryo 1) ve tüm kuvvet seviyelerinde eğitilip tek bir kuvvet seviyesinde test edilerek (Senaryo 2) gerçekleştirilen sınıflandırmalar neticesinde, önerilen ÇDGKA tabanlı özniteliklerin ham sinyal tabanlı özniteliklere göre, senaryo 1 için %10 - %15, senaryo 2 için %18’e kadar üstünlük sağladığı belirlenmiştir.