El Aç-Kapa Hızının Yapay Sinir Ağı Kullanarak Tahmini

Prediction Speed Of Hand Open-Close By Using Neural Network

Cengiz Tepe

Elektrik ve Elektronik Mühendisliği Bölümü

Ondokuzmayıs Üniversitesi Samsun,Türkiye

ctepe@omu.edu.tr

Nurettin Şenyer Bilgisayar Mühendisliği Bölümü

Ondokuzmayıs Üniversitesi Samsun, Türkiye

nurettin.senyer@bil.omu.edu.tr

Đlyas Eminoğlu Elektrik ve Elektronik Mühendisliği

Bölümü Ondokuzmayıs Üniversitesi

Samsun,Türkiye ieminoglu@omu.edu.tr

Özetçe—Bu çalışmada, yüzey elektromyogram (yEMG)

işaretinden yapay sinir ağı (YSA) kullanarak elin aç-kapa hız (EAKH) bilgisinin kestirim yöntemi anlatılmıştır. Đlk olarak bu yöntemde, ön koldan yEMG işaretinden mutlak ortalama değer (OMD), etkin değer (ED) varyans (VAR), standart sapma (STS), güç tayf ortanca frekansı (OCF), ortalama frekans (OTF), en yüksek genlikli frekans (EYF) öznitelik vektörleri çıkartılır. Đkinci olarak, EAKH kestirmek için çıkartılan öznitelik vektörleri YSA’ına gönderilerek hız sınıf bilgisi çıkartılır. Deneysel çalışma sonuçlarına göre, önerilen bu yöntemin EAKH bilgisini veren etkili bir yöntem olduğu yargısına varılmıştır.

Anahtar Kelimeler — yEMG; sinir ağları; el hız kestirimi.

Abstract—In this paper, an prediction speed method of hand open-çlose by using the Artificial Neural Network (ANN) surface electromyography (sEMG) signal is presented. The first step of this method is to analyze sEMG signal detected from the subject's right upper forearm and extract features using the mean absolute value (MAV), the root mean square (RMS), the variance (VAR), the standart deviation (STD), the median frekans of power spectrum (MDF), the mean frekans of PS (MNF), the maximum frekans of PS (MAXF). The second step is to import the feature values into an ANN to identify the speed of hand open-çlose (SHOC). Based on the results of experiments, it is concluded that this method is effective in prediction of SHOC.

Keywords— sEMG; neural network; prediction speed of

hand .

I. GĐRĐŞ

Yüzey Elektromiyografi (yEMG) kasların ürettiği elektriksel vuruları ölçer. yEMG işaretinin genliği 0-10 mV (tepeden tepeye) veya 0-1,5 mV (RMS) , yüzey elektrot kullanılması halinde frekans bandı 0-500 Hz

Aralığındadır [1]. Çok katmanlı geri yayılım (ÇKGY) eğitim algortiması, ÇKGY’ın çıkışı ile istenen çıkış arasındaki ortalama kareler hatasını en aza indirmek için tasarlanan özyinelemeli gradyant algoritmasıdır. Bu işlem katmanlar arasındaki ağırlıkların güncellenmesi ile yapılır [2]. Proplemden probleme değişen bir katmandaki yapay sinir hücre sayısı ve gizli katman sayısı deneme yanılma yoluyla seçilir [3]. ÇKGY çok işlevli mayoelektrik denetimde en etkili yöntemlerden biridir [4]. yEMG işaretinden, üst uzuvlar için açısal hız kestirimi [5], dirsek eklem açısı kestirimi [6], elin uyguladığı gücün kestirimi [7], parmak eklem açısı [8] diz eklem açısının kestirimi [9], diz eklem tork kestirimi [10] gibi birçok uygulamada ÇKGY kullanılmıştır.

Bu çalışmada ilk olarak, 6 bireyin yEMG işareti ön koldan alınarak veri kümesi oluşturulmuştur. Đkinci olarak yEMG işareti istenmeyen gürültülerden ön işleme yapılarak giderilmiştir. Üçüncü olarak, bu işaretten zaman düzleminde mutlak ortalama değer (OMD), etkin değer (ED) varyans (VAR), standart sapma (STS), frekans düzleminde ise ), güç tayf ortanca frekansı (OCF), ortalama frekans (OTF), en yüksek genlikli frekans (EYF) öznitelik vektörleri çıkartılmıştır. Dördüncü olarak, bu çıkartılan öznitelik vektörleri YSA’ında işlenerek EAKH bilgisi kestirimi ilk defa bu çalışmada yapılmıştır. Son olarak, ortalama karesel hata değerlendirme ölçütü kullanılarak elde edilen yüzde başarım değerlerine göre bu yöntemin EAKH bilgisini veren etkili bir yöntem olduğu bulgusuna varılmıştır.

II. ÇOK KATMANLI GERĐ YAYILIM YAPAY

SĐNĐR AĞI (ÇKGYSA)

EMG ve EEG işaretlerinin sınıflandırılmasında en çok kullanılan yapay sinir ağı geri yayılım algoritması ile eğitilen ÇKGY ağıdır. ÇKGY doğrusal olarak ayrılamayan giriş verileri için uygun bir yapıdadır. Şekil.1’de

978-1-4799-4874-1/14/$31.00 ©2014 IEEE

1090

2014 IEEE 22nd Signal Processing and Communications Applications Conference (SIU 2014)

görüleceği üzere ÇKGY, yapay sinir hücrelerini katmanlar şeklinde organize eder. ÇKGY girdi katmanı, ara katmanlar ve çıktı katmanları olmak üzere üç bölümden oluşur.

Girdi Katmanı: Bu katmandaki yapay sinir hücreler dış dünyadan bilgileri alarak ara katmanlara aktarmakla sorumludurlar.

Ara Katmanlar (Gizli katman) : Girdi katmanından gelen bilgiler işlenerek çıktı katmanına gönderirler Bu bilgilerinin işlenmesi ara katmanlarda gerçekleştirilir. Bir ağ için birden fazla ara katmanı olabilir.

Çıktı Katmanı: Bu katmandaki yapar sinir hücre elemanları ara katmandan gelen bilgileri işleyerek ağın girdi katmanından sunulan girdi kümesi için üretmesi gerekn çıktıyı üretirler üretilen çıktı dış dünyaya gönderilir.

Geri yayılım eğitim algortiması, ÇKGY’ın çıkışı ile istenen çıkış arasındaki ortalama kareler hatasını en aza indirmek için tasarlanan özyinelemeli gradyant algoritmasıdır. Bu işlem katmanlar arasındaki ağırlıkların güncellenmesi ile yapılır [2,11].

Şekil 1. Çok katmanlı perseptron ağı modeli [11]

A. Model Değerlendirme

Modelin başarımının değerlendirilmesinde basit geçerlilik testi uygulanmıştır. Rastsal olarak seçilen verilerin %70’i eğitim ve %30 ‘u test için kullanılmıştır. Ağ için en uygun gizli katmandaki sinir sayısı, iterasyon ve tekran sayılarının seçimi ortalama karesel hataya (OKH) göre yapılmıştır. OKH denklem (1) ‘de gösterilmiştir.

( )2

1

1 N

h

i

y yN =

−∑ (1)

III. DENEYSEL ÇALIŞMA

Veri alımı yapılırken kişi deney düzeneği önünde Şekil 2’deki gibi sandalyeye rahat bir şekilde oturur. Ön kolunu deney düzeneğinin olduğu düz yüzeye rahat bir şekilde yere paralel olacak şekilde koyar. Başparmağı dışındaki dört parmağını ayrı biçimde birleştirir.

Şekil 2.yEMG veri alım düzeneği

A. Veri alımı

yEMG veri alım cihazı olarak Mega Elektronik Ltd firmasının ME3000P kas test cihazı kullanılmıştır. Ag/AgCl elektrotlar Şekil 3’te görüleceği üzere extensor digitorum, flexor carpi ulnaris kasları üzerine yerleştirilir. Şekil 2’deki gibi sağ elin içi yere dik gelecek konumda başparmağı ve diğer dört parmağı aç-kapa hareketi yapar. Veriler ME3000P cihazı ile 2 kanallı, örnekleme frekansı 1000Hz olarak olarak 6 bireyin (23±1,3 yaş) sağ elinin açma hareketi yaparken extensor digitorum ve elin kapama hareketi yaparken flexor carpi ulnaris kasları üzerinden yüzey elektrotlarla yEMG verileri toplanmıştır.

Şekil 3. El aç-kapa için elektrotların yerleşim yerleri

Alınan yEMG verileri, el aç-kapa hareketi yaparken yavaş (2sn), normal (1sn) ve hızlı (0,5sn) olmak üzere üç farklı hızda olmak üzere 35 sn uzunluğundadır. Yavaş hızda alınan yEMG verilerden bir örnek hızlı hızda alınan yEMG verilerden bir örnek Şekil 3’de gösterilmiştir. 2520 tane elin yavaş hızda, 3360 tane elin normal hızda, 3360 tane elin hızlı hızda aç-kapa hareketi yaparken toplamda 9240 tane el aç-kapa hareket verisi alınmıştır. Bu deneysel çalışmada elin açma hareketi yaparken extensor digitorum kasları üzerinden alınan yEMG verisi kullanılmıştır.

1091

2014 IEEE 22nd Signal Processing and Communications Applications Conference (SIU 2014)

Şekil 4. El aç-kapa hareketi yaparken ön koldan alınan hızlı yEMG verisi

B. yEMG Sinyalinin Ön Đşlenmesi

Şebeke frekans gürültüsünü gidermek için 50 Hz çentik süzgeç, bu süzülen yEMG işaretindeki yüksek frekans bileşenli gürültüyü ve düşük frekanslı kaymaları gidermek için 3.dereceden butterworth band geçiren süzgeç (10-350 Hz) kullanılmıştır[12]. Bu süzgeç sonrası elde edilen yEMG işaretinin hareket başlangıç ve bitiş anı kırpılarak yEMG işareti elde edilmiştir. Bu ön işlenen yEMG işaretlerinden öznitelik vektörleri çıkartılmıştır.

C. Öznitelik Vektörü Çıkartımı

Zaman düzleminde öznitelik vektörleri ortalama mutlak değer (OMD), etkin değer (ED), varyans (VAR) ve standart sapma (STP), frekans düzleminde ise güç tayfının ortanca frekansı (OCF), ortalama frekansı (OTF) ve en yüksek genlikli frekans (EYF) bileşeni kullanılmıştır.

Tablo 1.Öznitelik vektörlerin matematiksel tanımları

1

1OMD=

N

i

i

XN =

∑ 2

1

1 N

i

i

ED XN =

= ∑

2

0

1( )

N

i

i

VAR x xN =

= −∑ 2

0

1( )

N

i

i

STS x xN =

= −∑

1

1 M

J

J

OTF PM =

= ∑ 2

MOCF P= ,

( )max jEYF P=

D. Sınıflandırıcı

Elin yavaş, normal ve hızlı olmak üzere üç farklı sabit hızdaki hareket verilerini sınıflandırmak için ÇKGYSA kullanılmıştır. MATLAB R2012a ortamında ntprtool araç kutusu kullanılmıştır [13]. Ağda, gizli tek katman ve bu katmanda 2-10 arasında değişen sinir hücreleri kullanılmıştır. Her bir sinir hücre sayısı için 50-250 arasında değişen iterasyon yapılmış ve her bir iterasyon için 5 kez tekrarlama yapılmıştır. Bu şartlar altında ağın en

düşük OKH ağ en başarılı olarak seçilmiştir. OKH denklem (2) ‘de gösterilmiştir.

( )2

1

1 N

h

i

y yN =

−∑ (2)

Modelin başarımının değerlendirilmesinde basit geçerlilik testi uygulanmıştır. Verilerin %70’i eğitim ve %30 ‘u test için kullanılmıştır.

IV. TARTIŞMA VE SONUÇLAR

Oluşturulan tüm veri kümleri ve öznitelik vektörleri için ÇKGYSA’nın hem eğitim hem de test yüzde başarım değerleri Tablo 2 ve Tablo 3’de verilmiştir.

Tablo 2. Veri kümelerinin eğitim yüzde başarım değerleri

Öznitelik Vektörleri

Veri K. 1-3* 4-7* 4-5* 1-7* 1* 99,99 99,87 99,94 100 2* 100,00 99,97 99,97 100 3* 99,98 99,96 99,92 100 4* 100,00 99,94 99,96 99,99 5* 99,98 99,98 99,96 99,98 6* 99,96 99,94 99,92 99,96 7* 99,83 99,88 99,86 99,81 8* 99,99 99,94 99,96 99,99 9* 99,84 99,91 99,84 99,88

10* 99,79 99,89 99,89 99,66 1*-6* :1-6 arası her bireyin ayrı ayrı, 7* Tüm

bireylerin (1-6.bireyler), 8*: Tüm bireylerin (1-6.bireyler) yavaş hızda, 9*: Tüm bireylerin (1-6.bireyler) normal hızda 10*: Tüm bireylerin (1-6.bireyler) hızlı hızda el aç kapa yEMG

verileridir. 1-3*: MNF + MDF + MAXF, 4-7*: RMS + MAV + STD + VAR, 4-5*: RMS +

MAV

Tablo 3. Veri kümelerinin test yüzde başarım değerleri

Öznitelik Vektörleri Veri K. 1-3* 4-7* 4-5* 1-7*

1* 99,96 99,86 99,85 99,91 2* 100,00 99,97 99,95 99,99 3* 99,82 99,78 99,92 99,18 4* 99,92 99,95 99,84 99,92 5* 99,67 99,88 99,91 99,30 6* 99,99 99,92 99,90 99,96 7* 99,85 99,84 99,88 99,89 8* 99,98 99,93 99,91 99,96 9* 99,76 99,85 99,84 99,78

10* 99,56 99,77 99,75 99,88

Tablo 2 ve Tablo 3’teki yüzde başarımlar incelendiğinde, çok katmanlı sinir ağının eğitim aşamasında:

Veri kümesi-1 için başarımı % 100 olarak MNF, STD, VAR ve MNF + MDF + MAXF + RMS + MAV + STD + VAR öznitelik vektörlerinde elde edilmiştir. Veri kümesi-2 için başarımı % 100 olarak MNF + MDF + MAXF ve MNF + MDF + MAXF + RMS + MAV + STD + VAR öznitelik vektörlerinde elde edilmiştir. Veri kümesi-3 için

0 5 10 15 20 25 30 35 40-2000

0

2000

4000sEMG(uV)

t (sn)

Exte

ns

or

dig

itoru

m

0 5 10 15 20 25 30 35 40-2000

-1000

0

1000

2000 sEMG(uV)

t (sn)

Fle

xo

r carp

i uln

aris

1092

2014 IEEE 22nd Signal Processing and Communications Applications Conference (SIU 2014)

başarımı % 100 olarak MNF + MDF + MAXF + RMS + MAV + STD + VAR öznitelik vektörlerinde elde edilmiştir.Veri kümesi-4 için başarımı % 100 olarak MNF + MDF + MAXF + RMS + MAV + STD + VAR öznitelik vektörlerinde elde edilmiştir. Veri kümesi-5 için başarımı % 99,98 olarak RMS + MAV + STD + VAR ,MNF + MDF + MAXF ve MNF + MDF + MAXF + RMS + MAV + STD + VAR öznitelik vektörlerinde elde edilmiştir. Veri kümesi-6 için başarımı % 99,96 olarak MNF + MDF + MAXF ve MNF + MDF + MAXF + RMS + MAV + STD + VAR öznitelik vektörlerinde elde edilmiştir. Veri kümesi-7 için başarımı % 99,96 olarak RMS + MAV + STD + VAR öznitelik vektörlerinde elde edilmiştir. Veri kümesi-8 için başarımı % 99,96 olarak MNF + MDF + MAXF ve MNF + MDF + MAXF + RMS + MAV + STD + VAR öznitelik vektörlerinde elde edilmiştir. Veri kümesi-9 için başarımı % 99,96 olarak RMS + MAV + STD + VAR öznitelik vektörlerinde elde edilmiştir. Veri kümesi-10 için başarımı % 99,89 olarak RMS + MAV ve RMS + MAV + STD + VAR öznitelik vektörlerinde elde edilmiştir.

Çok katmanlı sinir ağının test aşamasında:

Veri kümesi-1 için başarımı % 99,91 olarak MNF + MDF + MAXF + RMS + MAV + STD + VAR öznitelik vektörlerinde elde edilmiştir. Veri kümesi-2 için başarımı % 100 olarak MNF + MDF + MAXF öznitelik vektörlerinde elde edilmiştir. Veri kümesi-3 için başarımı % 99,92 olarak RMS + MAV öznitelik vektörlerinde elde edilmiştir. Veri kümesi-4 için başarımı % 99,95 olarak RMS + MAV + STD + VAR öznitelik vektörlerinde elde edilmiştir. Veri kümesi-5 için başarımı % 99,91 olarak RMS + MAV öznitelik vektörlerinde elde edilmiştir. Veri kümesi-6 için başarımı % 99,99 olarak MNF + MDF + MAXF öznitelik vektörlerinde elde edilmiştir. Veri kümesi-7 için başarımı % 99,89 olarak MNF + MDF + MAXF + RMS + MAV + STD + VAR öznitelik vektörlerinde elde edilmiştir. Veri kümesi-8 için başarımı % 99,98 olarak MNF + MDF + MAXF öznitelik vektörlerinde elde edilmiştir. Veri kümesi-9 için başarımı % 99,85 olarak RMS + MAV + STD + VAR öznitelik vektörlerinde elde edilmiştir. Veri kümesi-10 için başarımı % 99,89 olarak MNF + MDF + MAXF + RMS + MAV + STD + VAR öznitelik vektörlerinde elde edilmiştir.

Bir kişiden alınan verilerle yapılan önceki çalışmada [14] öznitelik vektörü olarak ED + OMD ve sınıflandırıcı olarak Destek Vektör Makinesi kullanılmıştır. Önceki çalışmada, toplam test doğru sınıflama oranının ortalaması %96.67, toplam eğitim doğru sınıflama oranının ortalaması %96,48 ‘tür. ÇKGYSA ve ED + OMD öznitelik vektörleri ile yapılan bu çalışmada ise tek birey olan 5 numaralı kişiden alınan verilerin sonuçlarına baktığımızda, eğitim yüzde başarımı 99,96, test yüzde başarım değeri ise 99,91’dir.Sonuç olarak, ortalama karesel hata değerlendirme yüzde başarım değerlerine bakılarak bu yöntemin EAKH bilgisini veren etkili bir yöntem olduğu bulgusuna varılmıştır.

V. BĐLGĐLENDĐRME

Bu çalışma PYO.MUH.1906.10.001-BAL-LAB numaralı Ondokuz Mayıs Üniversitesi BAP projesi tarafından desteklenmiştir.

KAYNAKÇA

[1] De Luca, C.J., “ The Use of Surface Electromyography in Biomechanics Delsys Inc.”,http://www.delsys.com/Attachments_pdf/WP_Biomechanics.pdf, 2014

[2] Lippmann, R., “An Introduction to Computing With Neural Networks”, IEEE ASSP Magazine, 4 (2), 4-22, 1987.

[3] Chu, J. U., Moon, I., & Mun, M. S., “A real-time EMG pattern recognition system based on linear-nonlinear feature projection for a multifunction myoelectric hand”,

[1] [2] Hudgins, B., Parker, P., & Scott, R. N., “A New Strategy

for Multifunction Myoelectrik Controlling”, IEEE Transactions on Biomedical Enginering , 40 (1), 82- 94, 1993.

[3] Kwon, H., & Kim, J., “Real-Time Upper Limb Motion Estimation From Surface Electromyography and Joint Angular Velocities Using an Artificial Neural Network for Human–Machine Cooperation”, IEEE Transactions On Information Technology in Biomedicine, vol. 15, no. 4, 2011.

[4] Wu, D., Sun, X., Zhang, Z., Du, Z, Sun, S., “Quantitative Relationship Modeling between Surface Electromyography and Elbow Joint Angle”, 3rd International Conference on Biomedical Engineering and Informatics (BMEI 2010), 2010

[5] Arslan, Y.Z., Adli, M.A., Akan,A., Baslo, M.B., “Prediction of Externally Applied Forces to Human Hands Using Frequency Content of Surface EMG Signals”, Computer Methods And Programs in Biomedicine, 9 8, 36–44, 2010.

[6] Shrirao, N.A, Reddy, N.P., Kosuri, D.R., “Neural Network Committees For Finger Joint Angle Estimation from Surface EMG Signals”, BioMedical Engineering OnLine, 2009.

[7] Delis, A.L., Carvalho, J.L.A, Rocha, A.F., Ferreira, R.U., Rodrigues, S.S., Borges, G.A., “Estimation of the knee joint angle from surface electromyographic signals for active control of leg prostheses”, Physiol. Measurement, 30, 931–946, 2009. [8] Chandrapal, M., Chen, X., Wang, W.H., Stanke, B., Pape, N.P., “Investigating improvements to neural network based EMG to joint torque estimation”, Journal of Behavioral Robotics, 2(4), 185-192, 2011.

[9] ÖZTEMEL, E., Yapay Sinir Ağları, (2.Basım b.), Papatya Yayıncılık., Đstanbul, 2006

[10] Frigo, C. & Crenna, P., “Multichannel SEMG in clinical gait analysis: A review and state-of-the-art”, Clinical Biomechanics, 24, p.236–245.

[11] http://www.mathworks.com/products/matlab/, 2014 [12] Tepe, C., Küçük, H., Eminoğlu, Đ., "Yüzey Elektromiyogram (Yemg) Đşaretinden El Aç-Kapa Hız Bilgisinin Kestirimi", Elektrik-Elektronik Ve Bilgisayar Mühendisliği Konferansı, ELECO 2012, IEEE Conferences, 29 Kasım -01 Aralık 2012, Bursa , Türkiye

1093

2014 IEEE 22nd Signal Processing and Communications Applications Conference (SIU 2014)