Bulanık K-en yakın komşuluk tabanlı bulanık ilişki matrisi ile EMG işaretlerinin sınıflanması

Abstract

Bu tezde elektromiyogram (EMG) işaretlerini sınıflayan bir Bulanık" Yakın Komşuluk (BK-EYK) tabanlı Bulanık İlişki Matrisi (BİM) sınırlayıcısı önerilmiştir. Bu algoritma klasik BK-EYK sınırlayıcısı ve Keskin K-En Yakın Komşuluk (K-EYK) sınırlayıcısı ile karşılaştınlmıştır. Önerilen algoritma temel olarak BK-EYK ve bulanık mantık operatör tabanlıdır. Klasik BK-EYK'da bütün öznitelikler kullanılırken BK-EYK tabanlı BİM sınırlayıcısında her öznitelik ayrı ayrı işleme sokulur. Neticede her özniteliğin tüm sınıflara üyelik değerleri elde edilir. Bu değerler BİM adı verilen bir matriste toplanır. Bu matrise bulanık mantık operatörü olan MAX işlemi önce satır sonra da sütun bazında uygulanarak istenilen sınıflama gerçekleştirilir. Önerilen sınıflayıcı, bicepslerden elde edilen EMG işaretinin sınıflamasında kullanılmıştır. İşaretler dirsek kapama, dirsek açma, bilek döndürme ve bükme, kavrama ve dinlenme olmak üzere altı farklı hareket içindir. Kol hareketlerinin EMG işaretleri 26 yaşındaki bir erkek denekten her hareket için 12 defa alınmıştır. Sinyaller Auto Regressive (AR) analiz metodu ile model derecesi dört seçilerek elde edilmiştir. Diğer bir deyişle 4 öznitelikli 72 örnek veri 6 kol hareketi için oluşturulmuştur. "Leave-one-out" yöntemi kullanılarak bu dataya değişik sınırlayı cılar uygulanmıştır. Elde edilen sonuçlar bu tezde önerilen BK-EYK tabanlı BİM sınırlayıcısının, diğer denenen yöntemlerden daha yüksek bir sınıflama performansına sahip olduğunu gösterir. Bu algoritma, iyi sınıflama performansının yanında, bir işaretin sınıflanması için kaç özniteliğin ideal olduğunu da uygulama sırasında göstermiştir.

A fuzzy k-nearest neighbour-based fuzzy relation matrix algorithm is proposed' as a pattern classifier for classification of electromyographic (EMG) patterns, and compared with fuzzy k-nearest neighbour (FK-NN) and crisp K-Nearest Neighbour algorithms (K-NN) The proposed algorithm is basically based on the FK-NN and fuzzy logic operators. However, unlike FK-NN that uses combination of all features, it processes each feature for each class, and constructs a relation matrix consisting of a membership degree of each feature for each class. The fuzzy logic operator "maximum" (MAX) is applied to the relation matrix's rows and columns, and finally, a membership degree of a pattern is computed to show how much the pattern belongs to each class. This algorithm is used in the classification of EMG patterns, which are obtained from EMG signals measured from biceps. The signals are recorded during six different arm movements, which are elbow flexion and extension, wrist supination and flexion and grasp and resting. Each arm movement was performed twelve times by a 26 year-old male subject, and their signals were recorded. The signals were modelled using Auto Regressive (AR) analysis method with "model order four" that is a number of features used as inputs to the pattern classifiers. In other words, four features and 72 samples (vectors), 12 of which belongs to each arm movement (e.g. each class) were obtained. The results of a "leave-one-out" test show that the proposed fuzzy k-nearest neighbour-based fuzzy relation matrix algorithm yields higher recognition rates than the other tried methods. It also gives an idea of how much a pattern belongs to each class.