EMG İşaretlerinin K-Ortalama Algoritması Kullanılarak Öbekleştirilmesi. EMG Signal Analysis Using K-Means Clustering

Transkript

1 KSÜ Mühendslk Blmler Dergs, (), 9 5 KSU Journal of Engneerng Scences, (), 9 EMG İşaretlernn K-Ortalama Algortması Kullanılarak Öbekleştrlmes Mücahd Günay, Ahmet ALKA, KSÜ Mühendslk-Mmarlık Fakültes Elektrk-Elektronk Mühendslğ Bölümü, Kahramanmaraş/TÜRKİYE Oho State Unversty, Department of Bomedcal Informatcs, Columbus/OHIO/USA Gelş Tarh: //9 Kabul Tarh: 5/3/ ÖZET: Bu çalışmada Elektromyograf (EMG) şaretler kullanılarak başarılı br kol protez kontrolü çn gerekl olan şaretlern öbekleştrlmes araştırılmıştır. EMG şaretler kas lflernn kasılması sonucu oluşan çok sayıda aksyon potansyellern brleşm olup der yüzeynde algılanmaktadır. Çalışmada dört farklı hareket çn bceps ve trceps kaslarından üretlen EMG şaretler ncelenmştr. Her EMG şaretnn tek br örüntüsü olup, bu örüntülern doğru ayrıştırılması ve kümelenmes önemldr. Özellkle protez kol tasarımlarında değşk hareketler yapılırken elde edlen EMG şaretlernn analz oldukça önemldr. Bu amaçla çalışmada koldan alınan farklı harekete at EMG şaret K- Ortalama algortması kullanılarak öbekleştrme (kümeleme) gerçekleştrlmştr. Bu algortmalar kullanılmadan önce şaretlern br ön şlemeden geçrlmes gerekmektedr. Ön şlemede çok değşk uygulamalar mevcuttur. Bu amaçla şaretlern mutlak değerler alınıp, değşk pencere genşlkler kullanılarak elde edlen ortalama değerler elde edlmştr. Elde edlen bu özellk vektörler öbekleştrme algortmalarına grş olarak uygulanmıştır. Kullanılan ver set üzernde %97.5 gb oldukça başarılı öbekleştrme sonuçları elde edlmştr. Anahtar Kelmeler: EMG, Kümeleme Analz EMG Sgnal Analyss Usng K-Means Clusterng ABSTRACT: The electromyography (EMG) sgnal s the synthess of numerous acton potentals captured from the skn surface. In ths paper, a new technque s proposed to cluster sgnals requred for a prosperous arm prosthess control by usng EMG sgnals. Ths work uses EMG sgnals generated by bceps and trceps muscles for four dfferent movements. Each EMG sgnal has one sngle pattern and t s essental to seperate and cluster these patterns properly. A K-means based clusterng algorthm has been used by defnng four dfferent arm movements sgnals. Pror to clusterng, proper feature vectors are derved from the sgnal. The feature vectors are generated by obtanng the average of the absolute values of the sgnal and usng varant-wndow wdths. These feature vectors are provded as nputs to the clusterng algorthm. Our experemantal results show that a hgh clusterng performance of 97.5% s acheved usng the data sets. Key Words: EMG, Cluster Analyss. GİRİŞ Vücutta meydana gelen değşk elektrokmyasal olayların sonucunda byoelektrk şaret adı verlen şaretler oluşmaktadır. Kaslar aktf oldukları zaman yan kas kasıldığı takdrde br elektrksel şaret üretr. Bu elektrksel şaretn sevyes kasın aktvtes le orantılıdır. Elektromyograf (EMG) olarak adlandırılan bu byoelektrksel şaretlern analz oldukça öneml sonuçlar vermektedr. İsteml kas hareketler beynde snrler yoluyla elektrksel uyarıların kasa letlmes sonucu oluşur. Kas lflernn kasılmaları snrlerce letlen elektrksel uyarılar yoluyla gerçekleştğ gb kasılmaları da elektrksel br şaret doğurur. Bu şaretler ğne veya yüzey elektrotlarıyla ölçülür. EMG şaretler klnk teşhs/tanı ve protezlern hareketlern kontrol etmek çn kullanılablmektedr. Bu çalışmada üst-kol tarafından kontrol edlecek protez kontrollernn daha fonksyonel ve kolay olmasının sağlanablmes araştırılmıştır. Son zamanlarda el, drsek ve blek kontrolü gb protez kol kontrolü yapablen brçok myoelektrk kontrol sstemler önerlmştr. Bu sstemler kontrol blgsn myoelektrk şaretlernn genlk tahmn [] veya değşm oranından çıkartmaya [] dayanmaktadır. Bu sstemler başarılı olsa da brden çok fonksyon çn güvenlr kontrol sağlayamamaktadır. Brden çok fonksyon kontrolü daha güç br problem olup, özellkle drsekten yukarıda olan kol eksklklernde gerekl olmaktadır [5]. EMG şaretlernn analz ver toplama, şaret sınıflarının bçmlenm, özntelk seçm, sınıflama algortmasının belrlenmes ve sınıflama hatasının kestrm gb brçok aşamalardan oluşur. Burada en öneml adımlar özntelk seçm ve sınıflayıcı/öbekleştrc tasarımıdır. Sınıflayıcı tasarımı çn sezgsel yaklaşım, belrgn yaklaşım, statstksel yaklaşım, yapay snr ağları yaklaşımı ve bulanık yaklaşım gb pek çok yöntem vardır [3].

2 KSÜ Mühendslk Blmler Dergs, (), 9 KSU Journal of Engneerng Scences, (), 9 EMG şaretlern ayrıştırmak çn bugüne kadar değşk çalışmalarda farklı teknkler kullanılmıştır. Zaman domen özntelkler [,9], özbağlanım (AR) katsayıları [,3,7,,], cepstral katsayılar [], dalgacık dönüşümü katsayıları [5]. Bu çalışma, drsekten altını kaybetmş br hastaya at kol proteznn dört farklı hareketn sağlamaya yönelktr. Bunun çn kola at drsek açma, drsek kapama, ön kolu çe döndürme ve ön kolu dışa döndürme hareketlernden oluşan dört tp EMG şaret kullanılmıştır [5]. Bu dört farklı harekete at EMG şaretlernn mutlak değer alındıktan sonra farklı uzunlukta pencerelern ortalamaları alınmak suretyle elde edlen özntelkler K-Ortalama algortması kullanılarak öbekleştrme gerçekleştrlmştr.. MATERYAL ve METOT.. Kullanılan Verler Bu çalışmada, kola at drsek açma, drsek kapama, ön kolu çe döndürme ve ön kolu dışa döndürme hareketlernden oluşan dört farklı sınıfa at er adet toplam EMG şaret kullanılmıştır. Bu dört sınıfa at EMG şaretler, kolun bceps ve trceps kaslarından k kanallı olarak elde edlmş ve her kanaldan alınmış şaret Hz de örneklenmş, her kanaldan 5 örnek olmak üzere toplam 5 örnekten oluşmuştur [5,3]. Şekl. de bu dört tür şaretten brer örnek görülmektedr. Genlk (Mk)ro V (a) (b) Genlk (Mkro V) (c) Örnek Sayısı (d) Örnek Sayısı Şekl. Dört Ayrı Hareketten Alınmış İşlenmemş EMG Vers (a) Drsek Açma (b) Drsek Kapama (c) Ön Kolu İçe Döndürme (d) Ön Kolu Dışa Döndürme EMG şaretlernn analznde özntelk çıkartma şlem oldukça büyük br öneme sahptr. Bu amaçla lteratürde çok değşk özellk çıkarım yöntemler kullanılmaktadır. Kullanılan her özellk çıkarım yöntemnn başarımları da değşk olmaktadır. Bu çalışmada özellk çıkarımı amacıyla şaret, 3 örneklk pencerelere ayrılıp, elde edlen adet penceredek örneklern önce mutlak değerler sonra da her pencerenn ortalaması hesaplanmıştır. Bu şeklde her şaret bu şlem sonunda adet özellk vektörüyle fade edlmştr. Elde edlen özellkler kullanılarak dört tür şaretten oluşan EMG vers öbekleştrme şlemne tab tutulmuştur... Yöntem... Öbekleştrme Analz Kümeleme analz öğretcsz nesne sınıflandırma metotlarından olup, verlen özellk vektörlernn sınıflandırılması, eğtm safhası olmaksızın gerçekleştrlr. Burada anahtar kavram gruplanacak nesneler arasındak benzerlktr. Verlen nesneler brbrlerne benzerlklerne göre kümelenerek sınıflandırma şlem gerçekleştrlr.

3 KSÜ Mühendslk Blmler Dergs, (), 9 7 KSU Journal of Engneerng Scences, (), 9 Şekl. EMG İşaretlernn Analz Adımları... K-Ortalama K-ortalama algortması, her br very kendsne en yakın merkezn olduğu öbeğe atama yapar. Öbektek tüm verlern ortalaması merkez oluşturur. Bu algortmanın asıl üstünlüğü, büyük ver setlernde koşturulmasının bast ve hızlı olmasıdır. Sakıncası se her koşturulmada aynı sonucu üretmemesdr. Çünkü ortaya çıkan öbekler başlangıç rastgele atamasına bağlıdır. Öbekler ç varyansı en küçültür, ancak varyansın global mnmum durumunu garant etmez. Verlen br özellk vektör kümes doğal yapısındak gruplara veya kümelere ayrıştırılarak gerçekleştrlen bu statstksel yöntem çok değşk alanlarda, değşk amaçlarla kullanılmaktadır. Bu, çzebldğmz, görsel olarak belrleyebldğmz ve her kümey br nesne sınıfı olarak etketleyebldğmz k boyutlu vektörlerde oldukça kolaydır. Benzerlk kavramı doğal olarak vektörler arasındak uzaklık temelne dayanır. x ve y gb k vektör arasındak mesafe ökld uzaklığı (Eucldean dstance) olarak blnr ve d(x,y) le gösterlr. n d( x, y) ( x y ) () Burada x ve y uzunluğu n olan k vektörü göstermektedr. Ökld uzaklığı aşağıdak şeklde verlen daha genel uzaklık ölçü yapısının p= çn elde edlmş özel br formudur. d ( x, y) ( x n y p / p () p= olarak alındığında bu formül cty blok ölçüsünü verr. Küçük br d(x,y)değer x ve y vektörler arasında benzerlğn büyük olduğunu fade ederken, bu değern büyük olması benzerlğn az olduğunu fade eder. [5]. Kümeleme şlemnn başarısını ölçmek çn değşk performans göstergeler oluşturulablr. Bunlardan yaygın olarak kullanılanlarından br karesel hataların toplamı performans ndeks uygulaması olup, ) kümelemenn başarısı hakkında öneml br blg verr. Karesel hataların toplamı; c j xs j J x (3) m j İfadesyle hesaplanır. Burada, küme alanlarının sayısını, Sj se J. kümedek örnek setn göstermektedr. m j x j xs j () se J. kümesndek örneklern ortalama vektörüdür ve j de Sj dek örnek sayısıdır...3. Sluet Değer Analzlern performansı, kümelern doğruluklarının ölçümü yan sluet değer le karşılaştırılır. Sluet değernn tanımı aşağıdak gb özetleneblr: Her br çft şaret ve j, arasındak uzaklık da d(,j) olarak tanımlanırsa P kümesnn. elemanı le aynı kümedek dğer elemanların ortalama uzaklığı şöyledr: a A A ja, j d(, j) (5) Burada, A kümesnn eleman sayısıdır. A dan farklı kümelern elemanları (C olarak gösterlmştr) le nn ortalama uzaklığı şöyle tanımlanır: d (, C) d(, j) C jc C () Burada, C kümesnn eleman sayısını belrtr. Sonra, en yakın kümenn üyeler le olan uzaklık aşağıdak gb hesap edlr.

4 KSÜ Mühendslk Blmler Dergs, (), 9 8 KSU Journal of Engneerng Scences, (), 9 b mn{ d (, C)} CA Sonuçta sluet değer s() aşağıdak fade le verlr: s( ) b a max{ a, b } (7) (8) Her br şaret çn s() sluet değer - le arasında br değer alır. Eğer s()> se şaret y sınıflandırılmış, s()< se şaret kötü sınıflandırılmış demektr. [8]. Aslında s() e ne kadar yakınsa. eleman o kadar y sınıflandırılmış denleblr. Genlk (a) 5 5 (b) Genlk 5 5 (c) 5 5 (d) Şekl 3. Ayrı Hareketten Alınmış, Pencereleme le Elde Edlen Ortalama Mutlak Değerler. (a) Drsek Açma (b) Drsek Kapama (c) Ön Kolu İçe Döndürme (d) Ön Kolu Dışa Döndürme Şekl. Öbekleştrme İşlemnn Başarısını Gösteren Sluet Değerler Şekl. çn sluet değer yorumlanacak olursa düşey eksende.,., 3. ve. kümelere at er adet şaretn sluet değer her küme çn en yden en kötüye doğru sıralanarak yatay eksende - aralığında gösterlmştr. 3. BULGULAR ve TARTIŞMA Çoğu byoelektrksel şarette olduğu gb EMG şaretlernn analznde de özntelk çıkartma şlem oldukça büyük br öneme sahptr. Bu amaçla yapılan çalışmalar ncelendğnde, çok değşk özellk çıkarım yöntemlernn kullanıldığı görülmektedr. Kullanılan her özellk çıkarım yöntemnn başarımları da değşk olmakta, en y sonuç verecek özntelk yöntemler rdelenmektedr. Bu çalışmada özellk çıkarımı amacıyla, şaret 3 örneklk pencerelere ayrılıp, her penceredek örneklern önce mutlak değerler sonra da bunların ortalaması alınmıştır. Bu şeklde her şaret bu şlem sonunda adet özellk vektörüyle fade

5 KSÜ Mühendslk Blmler Dergs, (), 9 9 KSU Journal of Engneerng Scences, (), 9 edlmştr. Elde edlen özellkler kullanılarak dört tür şaret öbekleştrme şlemne tab tutulmuştur. Bu şlem sonucunda Şekl. de gösterlen örnek EMG şaretlern fade edecek özellkler Şekl.3 te görüldüğü gb br hal almaktadır. Böylelkle hem her şaret onu temsl edecek uygun, ortalama değerler le ve şlem yükünü azaltacak daha az sayıda örnek le temsl edlmştr. Elde edlen yen şaretler kullanılarak kümeleme şlem gerçekleştrlmştr. Bu şlemler en uygun ve başarılı sonuç verecek pencere uzunluğunu göreblmek amacıyla, değşk pencereleme uzunlukları çn şlemler tekrarlanmıştır. Yapılan denemelerden elde edlen sonuçların brbrne yakın değerler vermekle brlkte, en y sonucun 3 örneklk pencereleme kullanıldığında elde edldğ görülmüştür. EMG şaretlernn eğtcsz br öğrenme metodu olan öbekleştrme şlemnde 3 örnek uzunluğunda pencereleme kullanıldığında sluet ve sonuç kümeleme ndeks değerler Şekl. te gösterlmştr.. SOUÇ Yukarıdak küme numaralarının çzm verlmştr. Şekl. tek sluet değer grafğnden de görüldüğü gb kümeleme şlem başarıyla yapılmıştır. adet verde adet hatalı sonuç çıkmıştır. Yan başarı %97.5tr. 5. KAYAKLAR. Asres A., Dou H., Zhou Z., Zhang Y. and Zhu S., A combnaton of AR and neural network technque for EMG pattern dentfcaton., 8th Annual Internatonal Conference of the IEEE Engneerng n Medcne And Bology Socety, 99, Amsterdam, 5. Zamanda Kontrolü. Yıldız Teknk Ünverstes, Fen Bl. Ensttüsü Doktora Tez. 7. Graupe D., Salah, J. and Zhang, D. 985., Stochastc analyss of myoelectrc temporal sgnatures for multfuncton sngle-ste actvaton of prostheses and orthoses, Journal of Bomedcal Engneerng., 7,, 8-9, Hormoto K. And Toh H.., Statstcal estmaton of cluster boundares n gene expresson profle data, Bonformatcs, 7, Hudgns B., Parker P.A. and Scott R , A new strategy for multfuncton myoelectrc control, IEEE Transactons on Bomedcal Engneerng,,, Kang W., Shu J., Cheng C., La L., Tsao H. and Kuo T. 995., The applcaton of cepstral coeffcents and maxmum lkelhood method n EMG pattern recognton, IEEE Transactons on Bomedcal Engneerng,, Karlık, B. 99., Çok Fonksyonlu Protezler İçn Yapay Snr Ağları Kullanılarak Myoelektrk Kontrol. Yıldız Teknk Ünverstes, Fen Bl. Ensttüsü Doktora Tez.. Karlık B., Tokh O., Alcı M. A. 3., Fuzzy Clusterng eural etwork Archtecture for Mult- Functon Upper-Lmb Prosthess, IEEE Transactons on Bomedcal Engneerng, 5,, Koçyğt Y., Korürek M. 5., EMG İşaretlern Dalgacık Dönüşümü ve Bulanık Mantık Sınıflayıcı Kullanarak Sınıflama, İTÜ dergs/d mühendslk Clt:, Sayı:3.. Chldress D.A., A myoelectrc three state controller usng rate senstvty., n Proc. 8th ICMBE Conf., 99. Chcago, IL. 3. Doerschuk P.C., Gustafson D.E. and Wllsky A.S. 983, Upper extremty lmb functon dscrmnaton usng EMG sgnal analyss, IEEE Transactons on Bomedcal Engneerng, 3,,8-9.. Dorcas D. and Scott R.. 9., A three state myoelectrc control, Med.Bol. Eng., vol., pp Englehart K., Hudgns B., Parker P.A.., A Wavelet-based contnuous classfcaton scheme for multfuncton myoelectrc control, IEEE Transactons on Bomedcal Engneerng, 8, Fdan, C.B.. Drsek Üstü Kol Proteznn YSA Kullanılarak DSP Tabanlı Br Devre le Gerçek