Search

Bu çalışmada EMG sinyalleri üzerinde öznitelikler hesaplanmıştır. Bu öznitelikler ile el hareketlerini sınıflandırmak için derin öğrenme algoritmaları kullanılmıştır. Bir zaman serisi olarak toplanan EMG sinyalleri üzerinde zaman alanında hesaplanan öznitelik vektörleri belirli boyutlarda simetrik matrisler olarak kaydedilmiştir. Yeniden oluşturulan ve resim dosyası formatında kaydedilen veri seti ile Evrişimsel Sinir Ağı eğitilmiştir. Bu eğitim sonucunda tüm veriler ile %93, test verileri ile %79 başarı ile hareket sınıflandırması gerçekleştirilmiştir. In this study, the statistical features are calculated with EMG signals. Deep learning algorithms are used to classify hand gestures with these features. the feature vectors calculated in the time domain using the EMG signals recorded as a time series are stored as symmetric matrices with specific sizes. The data set that is rebuilt and saved as image file format is used to train the convolutional neural network. Thereafter the training, motion classification is carried out with a success rate of 93% for all data and 79% for test data

A methodology for automated diagnosis of systems characterized by continuous signals is presented. The methodology requires the definition and construction of several fuzzy automatons each capable of identifying a particular condition. When the diagnostic system is in operation, the time sampled system measurements are presented to all automatons simultaneously. The fuzziness in automaton operation enables input processing from several perspectives, consistent with the operation of the automatons, allowing for toleration of measurement noise and other ambiguities. The methodology is applied to the problem of automatic electrocardiogram diagnosis.