Classificação de movimentos da mão originados de
sinais mioelétricos captados dos músculos do
antebraço através de redes neurais
Miguel Frezzato
Departamento de Engenharia Elétrica, Centro Universitário da FEI - São Bernardo do Campo, SP
Resumo ¾ Muitos métodos de processamento de sinais têm sido
aplicados à sinais elétricos provindos do corpo humano. Essa
metodologia vem sendo utilizada para diversas finalidades,
desde a detecção de alguma anormalidade até o reconhecimento
de padrões para comunicação entre as partes do corpo
substituídas por próteses. Nesse contexto, a Transformada
Wavelet foi usada neste artigo para analisar um sinal de EMG
originado da contração dos músculos do antebraço e, então,
para treinar uma rede neural para reconhecer o padrão de 6
movimentos conhecidos.
Palavras-chaves ¾ EMG, Redes Neurais, Transformada
Wavelet
I. INTRODUÇÃO
Os sinais biomédicos podem ser definidos como os sinais
elétricos provindos de qualquer órgão que represente uma
variável física de interesse. Este sinal normalmente é dado
em função do tempo e é descrito em termos de amplitude,
frequência e fase. O sinal de EMG é um sinal biomédico que
mede as correntes elétricas geradas nos movimentos de
contração e relaxamento dos músculos. Por consequência, o
EMG é um sinal de alta complexidade controlado pelo
sistema nervoso e depende das propriedades anatômicas e
fisiológicas dos músculos. O sinal do EMG é aferido através
de eletrodos fixados sobre a superfície da pele, o que resulta
em um sinal ruidoso, além de existirem outros sinais aferidos
simultaneamente provindos de outras unidades motoras. A
detecção do EMG, com técnicas mais poderosas está se
tornando cada vez mais importante na área de engenharia
biomédica, principalmente para a obtenção diagnósticos
precisos e para aplicações que tenham o uso de próteses.
Sendo assim, pesquisas vêm sendo realizadas para melhorar
algoritmos, metodologias existentes e as técnicas de coleta de
dados para diminuição do ruído.
A transformada de Wavelet tem sido utilizada em diversas
aplicações na área de processamento de sinais por ser uma
técnica de análise no domínio da frequência, onde, se bem
empregada, produz resultados muito interessantes,
principalmente em sinais complexos com baixo nível de
relação sinal ruído (SNR), características com os quais os
sinais de EMG se enquadram muito bem.
II. METODOLOGIA
Este artigo tem como foco uma técnica de processamento
de sinais para obtenção de padrões em sinais de EMG
M. Frezzato, frezzato97@gmail.com
gerados a partir de um movimento da mão. Para tanto, o sinal
de EMG é decomposto usando wavelets. Em seguida, os
coeficientes da transformada são submetidos a um processo
de extração de características, a fim de que possam ser
introduzidos em uma rede neural para reconhecimento de
padrões. Este processo está descrito na Fig. 1.
Fig. 1. Fluxograma do processamento empregado
A. Aquisição do sinal de EMG
O sinal de EMG utilizado neste artigo foi retirado de uma
base de dados composta por 6 pessoas que atenderam o
mesmo experimento. Neste experimento, dois canais de
eletrodos foram posicionados no antebraço destas pessoas
para a aquisição dos sinais. Em seguida, cada uma delas
repetiu os 6 movimentos previstos (Fig. 2), 30 vezes cada
uma, com 6 segundos de duração. O ensaio possui uma
amostragem de 500 Hz.
Fig. 2. Movimentos ensaiados
B. Transformada Wavelet e extração de características
A Transformada Wavelet é dividida em dois tipos:
transformada discreta (DWT) e transformada contínua
(CWT). A transformada discreta foi selecionada pela melhora
na velocidade do processamento. A DWT é uma técnica que
transforma iterativamente um sinal de interesse em
subconjuntos de coeficiente de resolução múltipla. A DWT
transforma o sinal do EMG com base em uma função wavelet
(WF). Portanto, a WF desempenha um papel fundamental na
análise de multi-resolução. O sinal EMG original (S) é
passado por um filtro passa baixa e um filtro passa alta (os
coeficientes dos filtros dependem de Tipo WF) para obter um
subconjunto do coeficiente de aproximação (cA1) e um
subconjunto do coeficiente de detalhe (cD1) no primeiro
nível. A transformação é repetida a fim de obter-se os
subconjuntos de resolução múltipla. Este processo é feito até
que o nível final desejado seja obtido. Neste estudo, quatro
níveis de decomposição são selecionados como mostra na
Fig.3. Finalmente, gera-se os subconjuntos de coeficientes de
aproximação de nível 4 (cA4) e os detalhes de nível 1, 2, 3, 4
(cD1, cD2, cD3 e cD4), respectivamente. Na análise do
EMG, quatro níveis de decomposição apresentam melhor
desempenho do que os outros níveis em muitas literaturas
[10, 11]. Existem diversas funções de wavelets e algumas são
adequadas para a análise de sinais de EMG [11]. Para este
projeto a função db7 da família “db” (Fig. 4) foi escolhida.
C. Rede Neural
Para o reconhecimento de padrões das características
extraídas do EMG, uma rede neural convolucional foi
utilizada com função de ativação sigmoide como mostra na
Fig. 5.
Fig. 5. Função de ativação Sigmoide
III. RESULTADOS E DISCUSSÕES
Fig. 3. Decomposição de um sinal com wavelets em 4 camadas
Fig. 4. Família “db” de wavelets
Após a decomposição do sinal, duas técnicas de extração de
características foram utilizadas. O MAV (mean absolut
value) (Eq. 1) e o RMS (root mean square) (Eq. 2). Essas
técnicas são consolidadas para extração de características de
sinais.
1
!"# =
'
!"# =
Após todo o embasamento teórico e definição de
metodologia, um código foi criado em Matlab para aplicação
da resolução proposta.
A rede neural (Fig. 6) foi criada para os dois casos de
extração de característica, MAV e RMS. Para analisar a
eficiência de cada método, plotou-se a matriz de confusão,
com o qual é possível visualizar o resultado da rede neural
com base nas iterações. Deste modo é possível ver quantas
amostras tiveram acerto e, caso houvesse um erro, é possível
encontrar para qual amostra ele foi computado. Para o caso
do MAV, encontrou-se uma taxa de sucesso de 97,8% (Fig.
7), enquanto para o RMS encontrou-se uma taxa de 93,9%
(Fig. 9). Ambas com taxa de acerto muito boa, no entanto, o
método usando MAV se mostra mais eficiente.
Para tornar a visualização mais simples, o gráfico ROC
(Receiver Operating Characteristic) foi plotado. Nele é
possível fazer uma análise similar à matriz de confusão, onde
cada curva representa um dos seis movimentos ensaiados. A
Fig. 8 mostra as curvas usando MAV e a Fig. 10 mostra as
curvas usando RMS. É possível visualizar a eficácia dos
métodos, tendo em vista que os erros obtidos não foram
discrepantes. Todas as curvas são similares, com poucos
desvios.
*
()
)+,
(1)
)
(
'*+ &'
M. Frezzato, frezzato97@gmail.com
,
(2)
Fig. 6. Rede neural
Fig. 7. Matriz confusão usando MAV
Fig. 10. ROC usando RMS
IV. CONCLUSÕES
Fig. 8. ROC usando MAV
A Transformada Wavelet é uma técnica muito utilizada em
processamento de sinais. Isso é compreensível, tendo em
vista a eficácia do método. Com ele é possível subdividir o
sinal em várias faixas de frequência. Desta fora, extrai-se
apenas as curvas de interesse, excluindo-se muitas impurezas
provindas de sinais indesejados ou de ruídos externos. Sendo
assim, é uma técnica muito eficiente para o EMG, dada a
complexidade do sinal.
Para a extração de característica, os dois métodos se
mostram eficientes, porém o MAV teve quase 100% de
acerto, o que o elege como melhor método para esta
aplicação.
A princípio, apenas 3 movimentos foram ensaiados
utilizando outras técnicas, porém, o emprego do método
aplicado neste artigo trouxe a possibilidade da utilização de
mais movimentos por conta de sua assertividade. Desta
forma, é possível adicionar cada vez mais movimentos
melhorando apenas a forma de treinar a rede neural.
Os métodos apresentados neste artigo, portanto, podem ser
utilizados em uma série de aplicações clínicas e de
engenharia
REFERÊNCIAS
[1]
[2]
[3]
Fig. 9. Matriz confusão usando RMS
M. Frezzato, frezzato97@gmail.com
[4]
Ramirez, E. J. R. e Hu, H. - Stages for Developing Control Systems
using EMG and EEG Signals: A survey, Technical Report CES-513,
ISSN 1744-8050, School of Computer Science and Electronic
Engineering, University of Essex, United Kingdom, 2011.
Herle, S. e Man, S. - Processing Surface Electromyographical Signals
for Myoelectric Control. In: Rehabilitation Engineering, Tan Yen
Kheng (Ed.), InTech, cap. 14, p. 223-244, 2009.
Li, G. – Electromyography Pattern-Recognition-Based Control of
Powered Multifunctional Upper-Limb Prostheses. In: Advances in
Applied Electromyography, Joseph Mizrahi (Ed.), InTech, cap. 6, p.
99-116, 2011.
Oskoei, M. A. Hu, H. – GA-based Feature Subset Selection for
Myoelectric Classification. In: Proc. IEEE Int. Conf. Robotics
Biomimetics, p. 1465-1470, 2006.
[5]
[6]
[7]
[8]
M. B. I. Reaz, M. S. Hussain - EMG Analysis Using Wavelet Functions
To Determine Muscle Contraction. In: Dept. of Electrical and
Computer Engineering International Islamic University Malaysia
Gombak, Malaysia, 2006.
Gulshan, Ruchika T. e Manmohan S. - Analysis of EMG Signals Based
on Wavelet Transform – A Review. In: Department of Electrical and
Instrumentation Engineering, Sant Longowal, Institute of Engineering
and Technology, Sangrur, India, 2015.
A. Phinyomark , C. Limsakul, P. Phukpattaranont - Application of
Wavelet Analysis in EMG Feature Extraction for Pattern
Classification. In: Department of Electrical Engineering, Faculty of
Engineering, Prince of Songkla University, Songkhla, Thailand, 2011.
M. Atzori, A. Gijsberts, I. Kuzborskij, S. Elsig, A. M. Hager, O. Deriaz, C.
Castellini, H. Müller and B. Caputo - Characterization of a Benchmark
Database for Myoelectric Movement Classification. In: IEEE
Transactions On Neural Systems And Rehabilitation Engineering, Vol.
23, No. 1, 2015.
M. Frezzato, frezzato97@gmail.com
[9]
[10]
[11]
[12]
M. C. F. Castro, S. P. Arjunan and D. K. Kumar - Selection of suitable
hand gestures for reliable myoelectric human computer interface. In:
Electrical Engineering Department, Centro Universitário da FEI, São
Bernardo do Campo, SP, Brazil, 2015.
Yang, G.-Y., Luo, Z.-Z. (2004). Surface electromyography disposal
based on the method of wavelet de-noising and power spectrum. In:
International Confernece on Intelligent Mechatronics and
Automation, Chengdu, China, 2004.
Phinyomark, A., Limsakul, C., Phukpattaranont, P. Optimal wavelet
functions in wavelet denoising for multifunction myoelectric control.
ECTI Transactions on Electrical Eng. Electronics, and Communications,
8 (1), 43-52, 2010.
Canal, M.R. Comparison of wavelet and short time Fourier transform
methods in the analysis of EMG signals. J. Med. Syst., 34 (1), 91-94,
2010.