How to cite: Karakul MS, Gökçen A. Wavelet transform based finger movement recognition. Akıllı Sistemler ve Uygulamaları Dergisi (Journal of Intelligent Systems with Applications) 2023; 6(2): 21-26.
Full Text: PDF, in English.
Total number of downloads: 138
Title: Wavelet Transform Based Finger Movement Recognition
Abstract: Electromyography has been used for Human-Computer interactions (HCI). Gesture recognition such as hand and finger movements is helpful to have a better HCI experience. This study investigates methods used on a publicly available dataset. To the best of our knowledge, this dataset has never been used with wavelets previously. This study uses Discrete Wavelet Transforms (DWT) with three different wavelets such as Symlet 4, Daubechies 4, and Haar wavelets. The time and frequency domain features have been extracted from the result of the DWT which uses three different wavelets. The features have been tested with a proposed Convolutional Neural Network (CNN) model. To the best of our knowledge, this CNN architecture hasn't been used before. The results with different metrics and confusion matrix for each trial are given in the results section. The highest and the lowest accuracy rates have been achieved with the Symlet 4 wavelet and Haar wavelet, respectively. The performance ranking of the reported wavelets is Symlet 4, Daubechies, and Haar with accuracy rates of 91.56%, 90.66%, and 90.02%, respectively.
Keywords: finger movement recognition, surface electromyography, convolutional neural networks, discrete wavelet transforms
Başlık: Dalgacık Dönüşümü Tabanlı Parmak Hareketi Tanıma
Özet: Elektromiyografi (EMG), İnsan-Bilgisayar Etkileşimleri (IBE) için kullanılmaktadır. El ve parmak hareketlerini içeren jest tanıma, daha iyi bir HCI deneyimi sunmak için faydalı olabilmektedir. Bu çalışma, topluluğa açık bir veri seti üzerinde dalgacıkların kullanımını araştırmaktadır. Bildiğimiz kadarıyla, bu veri seti daha önce dalgacık yöntemi uygulanarak kullanılmamıştır. Bu çalışmada, Symlet 4, Daubechies 4 ve Haar dalgacıkları olmak üzere üç farklı dalgacıkla Ayrık Dalgacık Dönüşümlerini (ADD) kullanılmıştır. Zaman ve frekans alanı öznitelikleri ADD'nin sonuçlarından çıkarılmıştır. Önerilen Evrişimli Sinir Ağı (Convolutional Neural Networks - CNN) modeli ile öznitelikler test edilmiştir. Bildiğimiz kadarıyla, bu CNN mimarisi daha önce kullanılmamıştır. Farklı metrikler ve her denemeye ait karmaşıklık matrisleri sonuçlar bölümünde sunulmuştur. En yüksek ve en düşük doğruluk oranları sırasıyla Symlet 4 dalgacığı ve Haar dalgacığı ile elde edilmiştir. Rapor edilen dalgacıkların performans sıralaması Symlet 4, Daubechies ve Haar olup, sırasıyla %91,56, %90,66 ve %90,02 doğruluk oranlarına sahiptirler.
Anahtar kelimeler: parmak hareketi tanınması, yüzey elektromiyografisi, evrişimsel sinir ağları, ayrık dalgacık dönüşümleri