Yazar "Onay, Fatih" seçeneğine göre listele

Listeleniyor 1 - 6 / 6
  • Küçük Resim Yok
    Öğe
    Akıllı el protez kontrolü karar verme performansına elektromiyografi sinyallerinin çok değişkenli görgül kip ayrışımı ile analizinin etkileri
    (Bursa Teknik Üniversitesi, 2019) Onay, Fatih; Mert, Ahmet
    Elektromiyografi (EMG) sinyalleri, insan-makine etkileşimli çok fonksiyonlu akıllı el protezlerinin kontrolünde önemli bir rol oynamaktadır. Kas aktivesinin bir sonucu olarak ortaya çıkan EMG sinyalleri, yapılan aktiviteye dair özel bilgileri kendi içerisinde ihtiva etmektedir. Dolayısıyla akıllı el protezlerinin işlevselliğinin arttırılması, kas bölgesinden toplanan EMG sinyalinin doğru bir şekilde analiz edilip yorumlanmasına önemli ölçüde bağlıdır. Bu konsepte uygun olarak, akıllı el protezi hareketlerinin karar verme sürecinde, EMG sinyallerinin güvenilir bir şekilde kullanılabilmesi için, var olan yöntemlerin geliştirilmesi ya da bu yöntemlere üstünlük sağlayacak yeni yöntemler önerilmesi gerekmektedir. Bu tez çalışması kapsamında, çok kanallı EMG sinyallerinin analizinin geliştirilmesi amacıyla, çok değişkenli görgül kip ayrışımı (ÇDGKA) tabanlı öznitelik çıkarma yöntemi, geleneksel metodlara alternatif olarak sunulmuştur. Sinyali adaptif olarak salınım modlarına ayıran ÇDGKA yöntemi kullanılarak, EMG sinyalinden daha anlamlı bilgi edinilmesi amaçlanmıştır. ÇDGKA tabanlı özniteliklerin farklı el ve parmak hareketlerini ayırt etme performansı ve farklı kuvvet seviyelerine karşı gösterdiği performans incelenmiştir. Bu amaçla ampute katılımcıların artık uzuvlarından toplanan düşük, orta ve yüksek kuvvet seviyelerine ait sekiz kanallı yüzey elektromiyografi (sEMG) sinyalleri üzerinde ÇDGKA yöntemi uygulanarak özgül kip fonksiyonları (ÖKF) elde edilmiştir. Elde edilen ÖKF'lerden çıkarılan öznitelikler kullanılarak altı farklı el ve parmak hareketi, en yakın komşu (k-NN), doğrusal ayrım analizi (LDA) ve destek vektör makinesi (SVM) sınıflandırıcıları kullanılarak sınıflandırılmıştır. Kullanıcı-bağımlı, kullanıcı-bağımsız ve hem kullanıcı hem de kuvvetten bağımsız sınıflandırlamalar neticesinde, önerilen ÇDGKA tabanlı özniteliklerin ham sinyal tabanlı özniteliklere göre kullanıcı-bağımlı için %1, kullanıcı-bağımsız için %15 - %20, kullanıcı ve kuvvet bağımsız için %15'e kadar üstünlük sağladığı belirlenmiştir. Uygun el protezi üretilerek, kayıtlı EMG sinyallerinden hangi el hareketinin yapılmak istendiği tespit edilerek, protezin bilgisayar destekli kontrolü gerçekleştirilmiştir.
  • Küçük Resim
    Öğe
    Değişken Kuvvetli EMG Sinyallerinin Çok Değişkenli Görgül Kip Ayrışımı ile Analizi ve Sınıflandırılması
    (2020) Onay, Fatih; Mert, Ahmet
    Elektromiyografi (EMG) sinyalleri, insan-makine etkileşimli akıllı el protezlerinin kontrolünde önemli bir rol oynamaktadır. Kas aktivesinin bir sonucu olarak ortaya çıkan EMG sinyalleri, yapılan aktiviteye dair özel bilgileri kendi içerisinde ihtiva etmektedir. Dolayısıyla akıllı el protezlerinin işlevselliğinin arttırılması, kas bölgesinden toplanan EMG sinyalinin doğru bir şekilde analiz edilip yorumlanmasına önemli ölçüde bağlıdır. Bu konsepte uygun olarak, akıllı el protezi hareketlerinin karar verme sürecinde, EMG sinyallerinin güvenilir bir şekilde kullanılabilmesi için, var olan yöntemlerin geliştirilmesi ya da bu yöntemlere üstünlük sağlayacak yeni yöntemler önerilmesi gerekmektedir. Bu çalışma kapsamında, çok kanallı EMG sinyallerinin analizinin geliştirilmesi amacıyla, çok değişkenli görgül kip ayrışımı (ÇDGKA) tabanlı öznitelik çıkarma yöntemi, geleneksel metotlara alternatif olarak sunulmuştur. Sinyali adaptif olarak salınım modlarına ayıran ÇDGKA yöntemi kullanılarak, EMG sinyalinden daha anlamlı bilgi edinilmesi amaçlanmıştır. ÇDGKA tabanlı özniteliklerin farklı el ve parmak hareketlerini ayırt etme performansı ve farklı kuvvet seviyelerine karşı gösterdiği performans incelenmiştir. Bu amaçla ampute katılımcıların artık uzuvlarından toplanan düşük, orta ve yüksek kuvvet seviyelerine ait EMG sinyalleri üzerinde ÇDGKA yöntemi uygulanarak özgül kip fonksiyonları (ÖKF) elde edilmiştir. Elde edilen ÖKF’lerden çıkarılan öznitelikler kullanılarak altı farklı el ve parmak hareketi, en yakın komşu (k-NN), doğrusal ayrım analizi (LDA) ve destek vektör makinesi (SVM) sınıflandırıcıları kullanılarak sınıflandırılmıştır. Aynı kuvvet seviyesinde eğitilip test edilerek (Senaryo 1) ve tüm kuvvet seviyelerinde eğitilip tek bir kuvvet seviyesinde test edilerek (Senaryo 2) gerçekleştirilen sınıflandırmalar neticesinde, önerilen ÇDGKA tabanlı özniteliklerin ham sinyal tabanlı özniteliklere göre, senaryo 1 için %10 - %15, senaryo 2 için %18’e kadar üstünlük sağladığı belirlenmiştir.
  • Küçük Resim Yok
    Öğe
    Multivariate Empirical Mode Decomposition Based EMG Signal Analysis For Smart Prosthesis
    (Ieee, 2018) Onay, Fatih; Mert, Ahmet
    Electromyography (EMG) signals are successfully used for human-robot interaction with biomedical applications. One of the basic components of many modern prosthesis is the myoelectric control system which controls prosthetic movements through EMG signals. In this study, multivariate empirical mode decomposition (MEMD) based signal processing and analysis of EMG signals was investigated in the decision making process of smart hand proshesis movements of transradial amputees. Due to MEMD's non-linear and non-stationary signal processing capability, the obtained MEMD-based features are intended to increase the performance of the controlled prosthesis using multi-channel EMG signals. The MEMD-based features obtained through the EMG signals recorded for 6 positions from 9 transradial amputees were classified by the nearest neighbors and decision tree algorithms and an average of 77% (up to 100% for some amputees) accuracy was obtained for a maximum of 9 amputees.
  • Küçük Resim Yok
    Öğe
    Phasor represented EMG feature extraction against varying contraction level of prosthetic control
    (Elsevier Sci Ltd, 2020) Onay, Fatih; Mert, Ahmet
    This paper introduces phasor representation of electromyography (EMG) feature extraction (PRE). The well-known EMG signal analysis methods, namely root mean square (RMS), and waveform length (WL) are adopted into phasor form depending electrode placement. The values of these methods are computed from 8-channel EMG signals, and their magnitudes with respect to origin are used to construct phasor represented features in this study. The class separability of the PRE is strengthened by adding difference EMG and Euclidean distanced phasor in order to obtain improved feature set against force and electrode variations. The simulations (three schemes) are performed on publicly available EMG dataset on transradial amputees, and the results are presented in terms of accuracy and processing time considering the control strategies of a prosthetic hand. Linear (LDA), and quadratic (QDA) discriminant analysis, and knearest neighbor (k-NN) classifiers are trained, and tested by the PRE features. Our method outperforms previous accuracy rates in some cases, and reaches to accuracy results of the first study using this dataset without using any reduction method. In our simulations, accuracy rates up to 71.17% (PRE with QDA) for six classes hand movements with three force levels are obtained decreasing processing time by 81.83%. (C) 2020 Elsevier Ltd. All rights reserved.
  • Küçük Resim Yok
    Öğe
    Task-specific dynamical entropy variations in EEG as a biomarker for Parkinson's disease progression
    (Springer, 2025) Onay, Fatih; Karacali, Bilge
    Uncovering the neuronal mechanisms un-derlying optimal behavioral performance is essential to understand how the brain dynamically adapts to changing conditions. In Parkinson's disease (PD), these neuronal mechanisms are disrupted and lead to impairments in motor coordination and higher-order cognitive functions. This study investigates neuronal dynamics during a lower-limb pedaling task by analyzing the dynamical entropy of EEG signals in healthy controls (HC), PD patients, and PD patients with freezing of gait (PDFOG). We examined both average entropy changes and entropy variability across trials to characterize task-specific neural adaptations across disease progression. Results showed that PD and PDFOG patients exhibited decreased levels of permutation entropy in frontal and parietal regions, which may be associated with loss of cognitive adapta-tion due to altered information processing. Additionally, Vasicek's entropy variability in both PD groups was significantly diminished in occipital and left frontal regions, suggesting reduced cognitive capacity to dy-namically allocate neuronal resources during task engagement. We extended this analysis to the classification of groups using LDA and SVM classifiers, where entropy-derived features achieved a classification accuracy of up to 96.15% when distinguishing HC from PDFOG patients. This dynamical entropic framework provides a novel approach for capturing neural complexity changes during task performance, revealing subtle cognitive-motor impairments in PD. Understanding the maintenance of cognitive information processing and flexibility in response to motor and cognitive task demands could be a useful tool to track PD diagnosis and progression in addition to resting-state analyses.
  • Küçük Resim Yok
    Öğe
    Using chemosensory-induced EEG signals to identify patients with de novo Parkinson's disease
    (Elsevier Ltd, 2024) Olcay, Bilal Orkan; Onay, Fatih; Akın Öztürk, Güliz; Öniz, Adile; Özgören, Murat; Hummel, Thomas; Güdücü, Ça?daş
    Objective: Parkinson's disease (PD) patients generally exhibit an olfactory loss. Hence, psychophysical or electrophysiological tests are used for diagnosis. However, these tests are susceptible to the subjects’ behavioral response bias and require advanced techniques for an accurate analysis. Proposed Approach: Using well-known feature extraction methods, we characterized chemosensory-induced EEG responses of the participants to classify whether they have PD. The classification was performed for different time intervals after chemosensory stimulation to see which temporal segment better separates healthy controls and subjects with de novo PD. Results: The performances show that entropy and connectivity features discriminate effectively PD and HC participants when olfactory-induced EEG signals were used. For these methods, discrimination is over 80% for segments 100–700 and 200–800 milliseconds after stimulus onset. Comparison with Existing Methods: We compared the performance of our framework with linear predictive coding, bispectrum, wavelet entropy-based methods, and TDI score-based classification. While the entropy- and connectivity-based methods elicited the highest classification performances for olfactory stimuli, the linear predictive coding-based method elicited slightly higher performance than our framework when the trigeminal stimuli were used. Conclusion: This is one of the first studies that use chemosensory-induced EEG signals along with different feature extraction methods to classify healthy subjects and subjects with de novo PD. Our results show that entropy and functional connectivity methods unravel the chemosensory-induced neural dynamics encapsulating critical information about the subjects’ olfactory performance. Furthermore, time- and frequency-resolved feature analysis is beneficial for capturing disease-affected neural patterns. © 2023 Elsevier Ltd