Yazar "Ayaz, Furkan" seçeneğine göre listele

Listeleniyor 1 - 4 / 4
  • Küçük Resim Yok
    Öğe
    Classification of EMG Signals by LRF-ELM
    (Ieee, 2017) Ayaz, Furkan; Ari, Ali; Hanbay, Davut
    Electromyogram (EMG) signal can be defined as the electrical activity of muscles cells. It is commonly used in motion recognition, treatment of neuromuscular disorders and prosthetic hand control. In this study, classification of EMG signals obtained from 6 different hand shapes of holding object was proposed. At first Short Time Fourier Transform of the EMG signal were evaluated to obtain their Time-Frekans representation. After than these T-F images were segmented and their mean values were evaluated to reduce the dimension of the images. Local Receptive Fields based Extreme Learning Machines (ELM-LRF) used to classification of these hand shapes of holding object. Evaluated accuracy is 94.12 %.
  • Küçük Resim
    Öğe
    EMG Sinyallerinin Kısa Zamanlı Fourier Dönüşüm Özellikleri Kullanılarak Yapay Sinir Ağları ile Sınıflandırılması
    (2019) Arı, Ali; Ayaz, Furkan; Hanbay, Davut
    Öz: EMG sinyali kasların kasılması sırasında oluşan elektriksel aktivasyonun ölçülmesi işlemidir. EMG sinyali, kasların nöralaktivasyonu ve dinamikleri hakkında bilgi sağlamaktadır. Bu nedenle EMG sinyallerinin işlenmesi; sinir hastalıkları teşhisi,protez cihazlar ve insan makine etkileşiminde olmak üzere birçok alanda giderek daha etkin olarak kullanılmaya başlanmıştır.Özellikle EMG sinyallerinden hareket tespiti ve EMG sinyallerinin sınıflandırılması bu çalışmalar için önem teşkil etmektedir.Bu amaçla yapılan çalışmada EMG sinyallerinden hareket tespiti yapılması amaçlanmıştır. İlk olarak 6 farklı harekete ait EMGsinyalleri alınmış ve bu sinyallere Kısa Zamanlı Fourier Dönüşümü (KZFD) uygulanmış ve sinyaller Zaman-Frekans (Z-F)düzleminde gösterilmiştir. Daha sonra bu Z-F gösterimlerinden öznitelik çıkarmak amacıyla gösterimler bölütlenmiş ve her birpencereye ait istatistiksel öznitelikler, Yerel İkili Örüntü (YİÖ) değerleri ve Gri Seviye Eş oluşum Matrisi (GSEM)hesaplanarak EMG sinyaline ait öznitelikler çıkartılmıştır. Çıkarılan bu öznitelikler Yapay Sinir Ağı (YSA) ile sınıflandırılmışve sistemin başarımı ölçülmüştür. Sistemin doğruluk başarımı ortalama %92 olarak hesaplanmıştır.
  • Küçük Resim
    Öğe
    EMG sinyallerinin sınıflandırılması
    (İnönü Üniversitesi, 2018) Ayaz, Furkan
    EMG sinyali kasların kasılmasın sonucunda oluşan elektriksel aktivasyonun ölçülmesi işlemidir. Bu nedenle kaslardan alınan EMG sinyalleri kaslar hakkında bilgi sağlamaktadır. Bu bilgiler günümüzde kas hastalıkları teşhisinde, protez kol ve, hareket tespiti çalışmalarında kullanılmaktadır. Bu tezde EMG sinyallerinden Yapay Sinir Ağları kullanılarak hareket tespiti amaçlanmıştır. Öncelikle alınan EMG sinyallerine Kısa Zamanlı Fourier Dönüşümü (KZFD) uygulanarak sinyallere ait zaman-frekans gösterimleri elde edilmiştir. Elde edilen zaman-frekans temsilinden İstatiksel metotlar, Gri Seviye Eş-Oluşum Matrisi (GSEM) ve Yerel İkili Örüntüler (YİÖ) metotları ile EMG sinyaline ait öznitelikler çıkarılmıştır. Çıkarılan bu öznitelikler Yapay Sinir Ağlarına (YSA) giriş verisi olarak verilerek EMG sinyalleri sınıflandırılmıştır. Deneysel sonuçlar incelendiği zaman tasarlanan sistemin kullanılan EMG verisi üzerinde başarılı sonuç aldığı gözlemlenmiştir. ANAHTAR KELİMELER: EMG Sinyal İşleme, Kısa Zamanlı Fourier Dönüşümü, Gri Seviye Eş-Oluşum Matrisi, Yerel İkili Örüntüler, Yapay Sinir Ağları
  • Küçük Resim Yok
    Öğe
    Leaf Recognition based on Artificial Neural Network
    (Ieee, 2017) Ayaz, Furkan; Ari, Ali; Hanbay, Davut
    Plant recognition from their leaves has become a popular area in the machine learning and image processing. In this study 7 different types of apricot trees were determined and classified by using their leaves. At first leaves images were preprocessed. After than each image was scanned by 5x5 overlapping filter and median values of each filter process were recorded to represent the leaves. After than filtered each image was scanned by 2x2 overlapping filter and maximum values of each shifting step was recorded. The dimension of each image reduced to it half. Histogram of these uniform patterns were evaluated. These features were applied as input to the Artificial Neural Network (ANN) and 7 types of apricot were classified with the accuracy is 98.6 %.