Está en la página 1de 4

1

Reconocimiento de patroneo electromiogr acos


uoando waveleto adaptativao y maquinao de ooporte
vectorial con par ametroo de pertenencia diIuooo

Alvaro

Angel Orozco Guti errez

, Guotavo Andr eo Betancourt Orozco

, Eduardo Giraldo Su arez

.
Univeroidad Tecnol ogica de Pereira, Colombia.


-

-
-Se preenta una metodologa para el
reconocimiento de patrone electromiogr acos utilizando
wavelet adaptativa y m aquina de oporte vectorial con
par ametros difusos como clasicadores. Para la caracterizaci on
de la e nale e utilizan m etodo de etimaci on de par ametro
adaptativo como e el algoritmo de proyecci on. La wavelet
adaptativa on calculada con m etodo baado en la derivada
y la m aquina de oporte vectorial con par ametro difuo on
uada porque tratar todo lo dato por igual puede cauar un
funcionamiento irregular de la m aquina de oporte. El concepto
central de la m aquina de oporte con par ametro difuo e
aignar a cada dato un valor de pertenencia correpondiente a
u importancia relativa dentro de la clae para reducir efecto
de ruido y perturbacione externa. La aplicaci on dearrollada
preenta una alternativa para que la perona con dicapacidad
motora o amputaci on, puedan entrenar una pr otei de forma
virtual ante de utilizar el dipoitivo real.
- Electromiografa, m etodo adaptativo,
wavelet adaptativa, m aquina de oporte vectorial.
I. INTRODUCCI ON
L
A etapa de clasicaci on en loo proyectoode inveotigaci on
oobre reconocimiento de patroneo eo una de lao m ao
importanteo; pueo permite determinar oi lao par ametroo
reoultanteo en la etapa de caracterizaci on oon diocriminanteo,
y tambi en hacer el oiotema m ao robuoto Irente a datoo con
ruido y perturbacioneo externao |1|. Eo por eoo que ourge
la necesidad de encontrar clasicadores que no s olo oean
robuotooal ruido preoente en loodatoode entrada, oino tambi en
que oe adapten de acuerdo a la variabilidad de eotoo datoo |2|.
La adaptabilidad eo lograda en la mayora de los casos
utilizando t ecnicao caracterizaci on din amica, o eotimaci on
de par ametroo adaptativoo (algoritmoo de proyecci on,
proyecci on ortogonal, mnimos cuadrados, mnimos cuadrados
ponderados, ltro de Kalman, etc) [3]. Sin embargo, esta
adaptabilidad en la parte de oelecci on de caractersticas
crea la necesidad de que los clasicadores tambi en cambien
de Iorma din amica. En eote artculo, se proponen dos
esquemas de adaptabilidad sobre los clasicadores: wavelets
adaptativao (-) y m aquinao de ooporte vectorial con
par ametroo diIuooo. Eote deoarrollo oe aplica oobre oe naleo
electromiogr acas provenientes de los m uoculoo del brazo,
para la identicaci on de movimientoo. En la oecci on II oe
mueotra el deoarrollo del oiotema de inotrumentaci on para
la adquioici on de oe naleo electromiogr acas y las t ecnicao
de adquioici on de datoo y oegmentaci on de datoo en lnea.
En la oecci on III oe preoenta un eoquema adaptativo de
eotimaci on de par ametroo (algoritmo de proyecci on) para
caracterizaci on de oe naleo electromiogr acas en lnea, y en
la oecci on IV y V oe preoenta la utilizaci on de waveleto
adaptativao (-) y m aquinao de ooporte vectorial
con par ametros difusos como clasicadores. Los resultados
obtenidoo oe preoentan en la oecci on VI. Finalmente eota
metodologa se puede aplicar al control de una pr oteoiovirtual.
II. SISTEMA DE INSTRUMENTACI ON
El oiotema de inotrumentaci on oe deoarroll o de acuerdo a la
normatividad SENIAM para electromiograIa de supercie [4],
y lao normao t ecnicao de oeguridad para equipoo biom edicoo.
De acuerdo a la siologa de las se naleoelectromiogr acas [5],
la normatividad SENIAM ougiere que oe aplique una
amplicaci on en Iorma diIerencial (del orden 1000 / V)
y un ltro pasabanda entre Hz y Hz oobre
lao oe naleo, pueo eo en eote rango de Irecuenciao donde
oe encuentra la inIormaci on que eo de utilidad |6|. De
acuerdo a lao normao t ecnicao de oeguridad |4|, oe utilizaron
amplicadores de aislamiento para la protecci on del paciente,
que aiolan tanto la oe nal como la Iuente de alimentaci on.
Se deoarroll o entonceo un oiotema de inotrumentaci on que
cumpliera con estos requerimientos utilizando un amplicador
de inotrumentaci on , un amplicador de aislamiento
y amplicadores de prop ooito general para el
dioe no del ltro pasabanda Butterworth de segundo orden.
La adquioici on de la oe nal oe realiz o utilizando una tarjeta de
adquioici on de --. Loo m etodoo
de adquioici on y oegmentaci on en lnea utilizados fueron los
propueotoo por |7| y |8|.
III. ESTIMACI ON DE PAR AMETROS
Lao oe naleo electromiogr acas de supercie obtenidas
durante una contracci on muocular pueden oer repreoentadao
como una Iunci on de tranoIerencia |9|. Para la eotimaci on
de los coecientes de esta funci on de tranoIerencia oe
pueden utilizar m etodoo de eotimaci on en lnea de par ametroo.
Una claoe particular de eotoo algoritmoo de eotimaci on de
par ametroo eo aquella donde el par ametro eotimado actual
2

eo calculado en t erminoo del par ametro eotimado anterior

, como oigue |10|:



(1)
donde

correoponde al vector de par ametroo eotimadoo
en el tiempo , denota la ganancia del algoritmo,
correoponde a un vector de regreoi on compueoto de
lao oalidao y entradao paoadao, y correoponde al error
modelado de alguna Iorma.
Con baoe en la ecuaci on (1), oe puede introducir el
oiguiente eoquema de eotimaci on en lnea de par ametroo.
l
El algoritmo de proyecci on eot a dado por |10|:



con el eotimado inicial

dado. Eota eo una Iorma de la
ecuaci on (1) con



Eote algoritmo puede oer entendido geom etricamente como
oigue. Dado y , todoo loo valoreo pooibleo de

eot an oobre el hiperplano

Entre todoo eotoo pooibleo valoreo para



, oe eocoge el
denotado por

, el cual eo el m ao cercano a

.
Para evitar una pooible divioi on por cero, oe le adiciona una
peque na conotante al denominador del algoritmo, lo cual
lleva a la siguiente forma modicada del algoritmo:



con

dado y .
Lao caractersticas seleccionadas fueron el vector de
par ametroo

obtenidoo por eote m etodo de eotimaci on. De
acuerdo a |9|, oe conoider o que la Iunci on de tranoIerencia que
mejor repreoentaba una oe nal electromiogr aca era de orden
, por lo que oe eotimaron loo par ametroo para una Iunci on de
tranoIerencia de eoe orden.

IV. WAVELETS ADAPTATIVAS


Se deoarroll o un clasicador basado en una red de
waveleto adaptativao () para oiotemao variableo de
m ultipleo entradao y m ultipleo oalidao |11|; la ventaja de
este clasicador sobre las redes neuronales es que permite
utilizar lao propiedadeo de lao waveleto de localizaci on en
tiempo Irecuencia y regularidad. Se puede obtener la ecuaci on
de estado del clasicador basado en wavelets adaptativas
como |12|:

donde

eo el vector de caractersticas,

eo el vector
de oalidao,

eo la Iunci on wavelet utilizada para


la aproximaci on,

eo el peoo de la wavelet,

oon loo
par ametroo de traolaci on y dilataci on de la wavelet , y eo la
Iunci on oigmoidal



en la capa de oalida de la red.
La wavelet utilizada en eote artculo fue la Morlet

. El algoritmo de entrenamiento utilizado eo el


de gradiente conjugado el cual oe baoa en la derivada, y eo
preoentado en |3|.
V. SVM CON PAR AMETROS DIFUSOS
Tratar todoo loo datoo por igual puede cauoar un
Iuncionamiento irregular de la m aquina de ooporte. El
concepto central de lao m aquinao de ooporte con par ametroo
diIuooo eo aoignar a cada dato un valor de pertenencia
correopondiente a ou importancia relativa dentro de la
claoe |13|. A cada punto de loo datoo

oe le aoigna un valor
de pertenencia

, entonceo el conjunto de entrenamiento oe
convierte en un conjunto diIuoo

que oe expreoa como

. Loo valoreo de pertenencia oon aoignadoo


dependiendo de la importacia del punto dentro de ou claoe.
Para la tarea de obtener el conjunto diIuoo

, se dene una
Iunci on de pertenencia de tipo circular, que aoigna valoreo de
acuerdo a la diotancia relativa de cada punto al centro de la
claoe, dicha Iunci on oe expreoa como:

donde denota la diotancia euclidiana, eo pooitivo y


muy peque no , y eoel centro de la claoe. Tambi en, la Iunci on
de pertenencia

eo acotada dentro de .
A diIerencia de loo t erminoo de penalizaci on en lao SVMo,
el par ametro de pertenencia penaliza a loo t erminoo menoo
importanteo de la claoe que eot an contaminadoo con ruido
o Iueron mal etiquetadoo |13|. El problema de optimizaci on
de lao M aquinao de Soporte Vectorial con par ametroo de
pertenencia diIuooo eo Iormulado de la oiguiente manera:
3
Maximizar

Sujeto a


En laoM aquinao de Soporte Vectorial, loo lmites superiores
de

eot an acotadoo con una conotante mientrao eotoo lo
oon con lmites din amicoo que oon Iunci on de loo valoreo de
pertenencia |14|.
VI. RESULTADOS Y AN ALISIS
Loo m etodoo de eotimaci on de par ametroo oe aplicaron
oobre doo conjuntoo de entrenamiento de oe naleo
oegmentadao por conjunto, y repeticioneo por movimiento
en cada uno. Los movimientos a reconocer son exi on,
extenoi on, oupinaci on y pronaci on. Lao oe naleo analizadao
Iueron oegmentadao de acuerdo a |7|. Se aplicaron entonceo
lao waveleto adaptativao y lao SVM con par ametroo diIuooo
oobre el vector de caractersticas

obtenido en la etapa de
eotimaci on de caractersticas. Se compararon los resultados
con las SVM normales [15]. Los resultados de la clasicaci on
por cada movimiento para loo treo m etodos de clasicaci on oe
mueotran en lao tablao I, II y III.
TABLA I
RESULTADOS DE CLASIFICACI ON POR CADA MOVIMIENTO PARA DOS
CONJUNTOS DE ENTRENAMIENTO Y UTILIZANDO SVM CON
PAR AMETROS DIFUSOS
Movimiento # de falla en S1 # falla en S2 # de mov.
Flexi on 0 0 30
Extenoi on 2 0 30
Supinaci on 5 0 30
Pronaci on 4 2 30
TABLA II
RESULTADOS DE CLASIFICACI ON POR CADA MOVIMIENTO PARA PARA DOS
CONJUNTOS DE ENTRENAMIENTO Y UTILIZANDO SVM
Movimiento # de falla en S1 # falla en S2 # de mov.
Flexi on 0 0 30
Extenoi on 3 1 30
Supinaci on 5 3 30
Pronaci on 4 2 30
TABLA III
RESULTADOS DE CLASIFICACI ON POR CADA MOVIMIENTO PARA PARA DOS
CONJUNTOS DE ENTRENAMIENTO Y UTILIZANDO WAVELETS
ADAPTATIVAS
Movimiento # de falla en S1 # falla en S2 # de mov.
Flexi on 0 0 30
Extenoi on 3 2 30
Supinaci on 1 4 30
Pronaci on 1 2 30
Loo reoultadoo obtenidoo oon mejoreo entre un y un
ouperioreo que loo mootradoo por |9|, |16|, |17|
y |18|, utilizando t ecnicao de caracterizaci on no adaptativao
oobre oe naleo electromiogr acas para la identicaci on de
movimientoo.
VII. CONCLUSIONES
Metodologa: La metodologa a seguir se realiza
de acuerdo a loo objetivoo del proyecto, utilizando
la normatividad para electromiograIa de supercie
(SENIAM). Deopu eo de adquirir lao oe naleo, oe aplica
una etapa de preproceoamiento y caracterizaci on. Se hace
una oelecci on de caractersticas discriminantes las cuales
son utilizadas para el entrenamiento del clasicador. Los
reoultadoo obtenidoo oon uoadoo para el entrenamiento de
una pr oteoio en un ambiente virtual.
Alcanceo y reoultadoo: El oiotema deoarrollado uoando
m aquinao de ooporte con par ametroo diIuooo eo m ao
robuoto al ruido que un oiotema con m aquinao de
soporte convencional, lo cual aumenta la conabilidad
del oiotema. Loo porcentajeo de error alcanzadoo por
lao m aquinao de ooporte con par ametroo diIuooo oon
del y durante lao etapao de entrenamiento
y clasicaci on, mientrao que para una m aquina de
ooporte oon del y en loo miomoo caooo.
La aplicaci on deoarrollada preoenta una alternativa para
que lao peroonao con diocapacidad motora o amputaci on,
puedan entrenar una pr oteoio de Iorma virtual anteo de
utilizar el diopooitivo real.
BIBLIOGRAFIA
|1| Ferguoon, Simon; Dunlop, Reg. Graop Recognition From Myoelectric
Signalo. Proc. 2002 Auotralaoian ConIerence on Robotico and
Automation, Auckland, 27-29 November 2002.
|2| Englehart, K. Signal Representation for Classication of the Transient
Myoelectric Signal. Ph.D. Theoio, Univeroity oI New Brunowick,
Fredericton, New Brunowick, 1998.
|3| Kecman, V. Learning and ooIt computing, ouport vector machineo, neural
networko, and Iuzzy logic modelo. A BradIord Book, 2001.
|4| Freriko, B.; Hermeno, H. European Recomendationo Ior SurIace
ElectroMyoGraphy, Reoulto oI the SENIAM project. Dioponible en:
-, 2002.
|5| Ville, Claude. Biologa Avanzada. Interamericana Editores, pp.813-820,
1990.
|6| Baomajian, J. V.; De Luca C. J. Muocleo alive. Their Iuction revealed by
electromyography. Williamo & Wilkeno, Baltimore, 1985.
|7| Betancourt, G. Giraldo, E., Identicaci on de Patroneo de Movimiento del
sistema siol ogico brazo-antebrazo, a partir de oe naleoelectromiogr acas.
In: Scientia et Technica, Vol. 10 N. 26. 2004.
4
|8| Gerdle, B.; Karlooon, S.; Day, S.; Djupoj obacka M. Acquioition,
Proceooing and Analyoio oI the SurIace Electromyogram. Modern
Techniqueo in Neuroocience. Captulo 26: 705-755. Ed. Windhorst U.
& Johanoon H. Springer Verlag, Berlin, 1999.
|9| Birkendal, L.; Collen, T.; Dagilio, S.; Delavernhe, G.; Emborg, J. Patern
Rocognition oI upper-body electromyography Ior control oI lower limb
prootheoeo. Inotitute oI Electronic Syotemo, Aalborg Univeroity, June
2002.
|10| Graham C. Goodwin and K. S. Sin; Adaptive Filtering, Prediction and
Control; Prentice Hall, 2nd edition; Englewood-CliIIo, 1989.
|11| Kadambe, S. y Srinivaoan P., Applicationo oI Adaptive Waveleto Ior
Speech. J. oI Opt. Eng, July 1994, vol. 33, no. 7, pp. 2204 2211.
|12| Szu H., TelIer, B., y Kadambe, S., Neural Network Adaptive Waveleto
for Signal Representation and Classication, J. of Opt. Eng., Sept 1992,
vol. 3, pp. 1907 - 1916.
|13| Lin, Chun-Fu & Wang Sheng-De (2002). Fuzzy Support Vector
Machineo. IEEE Trano. on Neural Networko, Vol. 13, No 2, March 2002.
|14| B. Sch olkopI, C. Burgeo, and A.J. Smola. Advanceo in Kernel Methodo
- Support Vector Learning. MIT Preoo, Cambridge, 1999.
|15| Vojt ech, Franc & V aclav, Hlav a c (2004). Statiotical Pattern Recognition
Toolbox Ior Matlab Uoer`o guide. Center Ior Machine Perception,
Department oI Cybernetico, Faculty oI Electrical Engineering, Czech
Technical Univeroity Technick a 2, 166 27 Prague 6, Czech Republic,
.
|16| Sijiang, Du; Vuokovick, Marko; Temporal vo. Spectral approach to
Ieature extraction Irom prehenoil EMG oignalo; Department oI computer
ocience, 2004.
|17| Kriotin, Farry; Ian, Walker; Baraniuk, Richard; Myoelectric teleoperation
oI a complex robotic hand; IEEE Tranoaction on Robotic and Automation,
2004.
|18| Paolini, C; Feature Extraction oI Myoelectric Data; Technical Report,
Departmenet oI Mathematical Scienceo, 1994.