sEMG Kullanarak Derin Öğrenme Tabanlı Dirsek Eklem Açısı Tahmini

Creative Commons License

Pirol A., Baysal C. V.

1th INTERNATIONAL HEALTH SCIENCES AND BIOMEDICAL CONGRESS , Ankara, Türkiye, 23 - 24 Ocak 2021, cilt.1, ss.62-69

  • Yayın Türü: Bildiri / Tam Metin Bildiri
  • Cilt numarası: 1
  • Basıldığı Şehir: Ankara
  • Basıldığı Ülke: Türkiye
  • Sayfa Sayıları: ss.62-69
  • Çukurova Üniversitesi Adresli: Evet

Özet

ÖZET
Klinik araştırmalarda ve rehabilitasyon amaçlı protez, ortez cihazlarında yüzey elektromiyografisine (sEMG) dayalı kontrol yaklaşımları doğala yakın bir çalışma düzeni elde etmek için kullanılmaktadır. Gerçek zamanlı kontrollerde sEMG işaretinden direkt açı veya kuvvet tahmini yapılması yaygın kullanılan bir yöntemdir. Bu amaçla insan-makine iş birliğini gerçekleştiren sEMG tabanlı kontrol yaklaşımlarının birçoğunda işaretlerin öznitelikleri ile sınıflandırma ya da tahmin yapma tercih edilmiştir. Ancak, öznitelik çıkarmak gibi geleneksel yöntemler işaretin kalitesi, karmaşıklığı, düşük genliği gibi elverişsiz durumlarda hesaplama yüküne ve algoritma karmaşıklığına sebep olmaktadır. Yapılan bu çalışmada çözüm alternatifi olarak, verilerin özelliklerini öğrenebilen, hiyerarşik katman yapısı ile verileri değerlendiren, direkt tahmin yapan Derin Öğrenme (DL) yöntemi kullanılmıştır. Yapılan tasarımda, üst ekstremiteye ait biceps ve triceps kaslarından alınan sEMG sinyalleri dirsek ekleminde açı tahmini için bir DL yöntemi olan LSTM ağlı modelde uygulanmıştır. Literatürdeki çalışmalardan farklı olarak, uygulama verileri değişik zaman ve deney koşullarında alınan izotonik ve izokinetik kasılma sinyal bilgileri ile eş zamanlı olarak ölçülen dirsek eklemi açı bilgisinden oluşturulmuştur. Sistemin performansı RSME, MAPE ve MAE yöntemleri ile ölçülmüştür. LSTM ağı, kendisinin bir uzantısı olan biLSTM ile benzetim sonuçlarıyla kıyaslanmıştır. 3 katmanlı biLSTM modelinin %89,95 doğruluğa ulaşması, derin öğrenme yapılarının öznitelik kullanmadan sEMG ile yüksek doğruluk elde ederek, başarılı ve etkin bir şekilde dirsek eklemi açı tahmini yapabileceğini göstermiştir.
Anahtar Kelimeler: sEMG, Eklem Açı Tahmini, Tekrarlayan Sinir Ağları, Derin Öğrenme, Uzun-Kısa Vadeli Bellek (LSTM)

ABSTRACT
In clinical research and rehabilitation purposes, control approaches based on surface electromyography (sEMG) are used to achieve a natural working order in prosthetic and orthotic devices. Direct angle or force estimation from the sEMG signal is a common method in real-time controls. For this purpose, classification or estimation with the attributes of the signals has been preferred in most of the sEMG-based control approaches that provide human-machine collaboration. However, traditional methods like feature extraction can cause computational burden and algorithm complexity in adverse situations such as the quality, complexity, low amplitude of the signal. In this study, Deep Learning (DL) method which can learn the properties of the data, evaluate the data with the hierarchical layer structure, and make direct estimates, was implemented as a solution alternative. Unlike the studies in the literature, the application data were created from the isotonic and isokinetic contraction sEMG combined with the elbow joint angle measured simultaneously, which were acquired at different times and experimental conditions. System performance measured by methods like RSME, MAPE and MAE. The LSTM network has been compared with the simulation results with its extension biLSTM. The performance of 3-layer biLSTM model has reached 89.95% accuracy with sEMG without using features, which demostrated the biLSTM model can be implemented in successful and effective estimation of elbow joint angle.
Keywords: sEMG, Joint Angle Estimation, Recurrent Neural Network, Deep Learning, Long-Short Term Memory (LSTM)