Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Determinación de Movimientos A Partir de Señales Electromiográficas Utilizando Máquinas de Soporte Vectorial
Determinación de Movimientos A Partir de Señales Electromiográficas Utilizando Máquinas de Soporte Vectorial
Introduccin
En los ltimos aos han cobrado gran importancia los trabajos de investigacin encaminados a la
realizacin de interfaces hombre-mquina especialmente diseados para la ayuda a personas con
discapacidad o para la ejecucin de tareas sin contacto directo por parte del operario (1). Una de las
formas para conseguir ese objetivo es la captacin de seales electromiogrficas (EMG) provenientes de
los msculos que estn asociadas cualitativamente con el tipo de movimiento producido.
El estudio de estas seales ha permitido el desarrollo de importantes proyectos para el bienestar
humano. Dichos trabajos comenzaron con los realizados por Graupe y Cline (2) en el reconocimiento de
caractersticas en 1975 y seguidos por Doershuck en 1983 aplicando tcnicas de correlacin. En 1995
Kang (3) utiliz coeficientes cepstrales obteniendo ndices de xito del 85%. A partir de 1999 el
departamento de Neuro-Ingeniera de la NASA (4) desarroll tcnicas de reconocimiento de patrones
EMG por medio de redes neuronales y modelos ocultos de Markov. En el ao 2002 Fergusson y Dunlop
(5) desarrollaron tcnicas de caracterizacin de seales EMG basadas en modelamiento paramtrico,
STFT, Wavelets, y de reconocimiento con redes neuronales y mtodos estadsticos (5).
En el 2003, se desarrollaron tambin trabajos para el entrenamiento de prtesis y prediccin de fatiga en
los msculos, as como optimizacin en el diseo de los algoritmos de reconocimiento de patrones en
tiempo real. En estos algoritmos de extraccin de caractersticas se pueden reconocer los implementados
por Hudgins, Englehart y otros (6) realizando aproximacin temporal y modelamiento paramtrico, as
como los de Hannaford (7) y Farry (1) con aproximacin espectral (FFT, STFT). Se han utilizado los
algoritmos de extraccin de caractersticas basados en compresin con wavelets y wavelet packets y
los de compresin EZW (8). Actualmente los trabajos de investigacin en esta rea estn dirigidos a
encontrar los algoritmos de procesamiento, caracterizacin y clasificacin de patrones de dichas seales,
que permitan el anlisis y la determinacin del tipo de movimiento (5, 9) con porcentajes de acierto entre
80% y el 97% dependiendo del nmero de electrodos y del nmero de movimientos detectados.
Basado en lo anterior este trabajo busca discutir:
El diseo y desarrollo de un sistema de instrumentacin y medida para la captacin de seales
electromiogrficas utilizando la normatividad SENIAM.
Los algoritmos implementados utilizando tcnicas de adquisicin continua en tiempo real, las
tcnicas de caracterizacin hbridas en tiempo y frecuencia utilizando la transformada Wavelet,
la transformada rpida de Fourier (FFT), la STFT y el modelamiento paramtrico en el anlisis de
potenciales bioelctricos,
Y el reconocimiento de patrones utilizando un algoritmo basado en una mquina de soporte
vectorial.
El esquema del proyecto se observa en la figura 1. Este procedimiento se realizar para dos msculos
(bceps y trceps), con el fin de caracterizar los patrones de movimiento del sistema fisiolgico brazo-
antebrazo como son: flexin, extensin, supinacin, y pronacin, para que sean reconocidos por un
clasificador con porcentajes de acierto superiores al 90%, lo cual es superior a trabajos desarrollados
sobre el mismo tema para el mismo nmero de canales (9).
Todo el software se desarroll utilizando herramientas tales como LabVIEW Matlab, y el V-Realm
Builder para la visualizacin de resultados en un entorno virtual y con un manipulador didctico de 5
grados de libertad.
Materiales y Mtodos
La primera parte del proyecto fue la adquisicin de la seal electromiogrfica del sistema fisiolgico
brazo-antebrazo para permitir su procesamiento en un PC. Para esto se utiliz un modelo tpico de
instrumentacin: captacin de la seal (sensores), acondicionamiento (amplificadores y filtros), conversor
anlogo digital (tarjeta de adquisicin de datos) y procesamiento (PC) (ver figura 2).
Acondicionamiento
El cuerpo humano es una excelente antena para el ruido ambiental especialmente a 60Hz que es
precisamente el rango donde se concentra la mayor cantidad de energa de las seales EMG. Debido a
esto se utilizaron amplificadores de instrumentacin con un alto rechazo en modo comn (CMRR
>120dB) con lo cual se elimin en gran parte este ruido.
Tambin se utiliz un filtro pasa alto con frecuencia de corte en 15Hz para eliminar seales que no eran
de inters para el proyecto como el potencial de repolarizacin de los msculos, as como un filtro pasa
bajo con frecuencia de corte en 450Hz para eliminar frecuencias superiores que no contribuan con la
informacin de inters y eliminar posibles distorsiones en la seal debido a una baja frecuencia de
muestreo (aliasing) (13).
Adquisicin
Para la adquisicin de los datos se utiliz una tarjeta de DAQ 6024E de National Instruments conectada
en modo diferencial con una frecuencia de muestreo de 1kHz, garantizando la adquisicin en lnea y la no
prdida de datos durante el procesamiento.
Preprocesamiento
En esta seccin se implementaron las rutinas necesarias para la extraccin de la parte de la seal que se
quiere utilizar. De acuerdo a (14) los primeros 400ms de un movimiento muscular son suficientes para la
identificacin del movimiento por lo que se realiz la extraccin de la seal con una ventana de esa
amplitud, como se ensea en la figura 4.
Extraccin de Caractersticas
La extraccin de caractersticas fue hecha a partir de aproximacin temporal, modelamiento paramtrico
AR (autoregresive), FFT, STFT, transformada Wavelet, generando un vector hbrido de caractersticas
que permitir la identificacin de las seales electromiogrficas.
A continuacin se analizarn las caractersticas encontradas para un conjunto de datos
electromiogrficos obtenidos para dos msculos (bceps y trceps) en un sujeto de prueba sano (sin
amputacin).
Aproximacin Temporal
Para este caso se utilizaron cuatro caractersticas, definidas por Ferguson y Du (5, 15):
Valor Medio Absoluto: es el promedio del valor absoluto de la seal EMG.
Cruces por cero: Es el nmero de veces que la seal EMG pasa por cero.
Cambio de pendiente: Es el nmero de veces que cambia la direccin de crecimiento de la seal
EMG.
Longitud de la onda: esto es simplemente el acumulado de la distancia entre dos muestras
consecutivas de la seal EMG.
En la figura 5 se observan los vectores de caractersticas utilizando aproximacin temporal para los
cuatro movimientos, tomando 30 muestras por movimiento y de acuerdo a las convenciones de la tabla 1.
Modelamiento Paramtrico AR
Se conoce que una seal EMG adquirida a travs de electrodos de superficie (14) puede ser considerada
como la salida de un filtro pasa bajo que representa al msculo y las fibras musculares, con la salida del
filtro aproximadamente Gausiana. Debido a que el filtro ptimo para un proceso Gausiano es un filtro
lineal, se pueden escoger modelos AR que adems de presentar un bajo costo computacional,
representan la mejor aproximacin de la seal EMG (5, 14). Las caractersticas extradas fueron los 3
coeficientes de menor orden del modelo (14), para un modelo de orden 5. En la figura 6 se observan los
vectores de caractersticas utilizando modelamiento paramtrico AR para los cuatro movimientos,
tomando 30 muestras por movimiento y de acuerdo a las convenciones de la tabla 2.
Aproximacin Espectral
Para la obtencin de caractersticas utilizando aproximacin espectral se utilizaron dos mtodos (15, 16):
Periodograma: Una forma de estimar la densidad del espectro de potencia (PSD) de una seal es
simplemente encontrar la transformada discreta de Fourier (usualmente hecha con FFT) y tomar la
magnitud al cuadrado del resultado. Este estimado es llamado periodograma.
A partir de este clculo se extraen dos caractersticas:
Potencia promedio de la seal EMG.
Potencia mxima de la seal EMG.
Espectrograma: Calcula la transformada de Fourier dependiente del tiempo para una seal, usando una
ventana deslizante. Esta forma de transformada de Fourier, tambin se conoce como STFT. El
espectrograma es la magnitud de esta funcin.
A partir de este clculo se extraen dos caractersticas:
Energa media de la seal EMG.
Energa mxima de la seal EMG.
En la figura 7 se observan los vectores de caractersticas utilizando aproximacin espectral para los
cuatro movimientos, tomando 30 muestras por movimiento y de acuerdo a las convenciones de la tabla 3.
Descomposicin con Wavelets
Teniendo en cuenta los resultados obtenidos por (14), se utilizaron los coeficientes de los niveles de
descomposicin que mejor representaran la seal, con base en la energa y la entropa, utilizando
Wavelet Packets; se realizaron 5 niveles de descomposicin, con una wavelet del tipo Daubechies de
orden 6, y con entropa tipo Shannon (17, 18, 19). En la figura 8 se observan los vectores de
caractersticas utilizando descomposicin por Wavelet Packets para los cuatro movimientos, tomando 30
muestras por movimiento y de acuerdo a las convenciones de la tabla 4.
Conclusiones
Las tcnicas de instrumentacin utilizadas permiten que la seal adquirida pueda ser analizada
exitosamente si se tienen en cuenta tanto la normatividad para la adquisicin de seales EMG de
superficie, como lo referente a las tcnicas para eliminacin de perturbaciones (potenciales de
repolarizacin de los msculos, ruido ambiental, artefactos) as como las tcnicas de adquisicin y
preprocesamiento (25).
La adquisicin de la seal utilizando tcnicas modernas de almacenamiento de datos en memoria
(circular buffer) garantiza que el anlisis sea hecho sobre toda la seal y que no se pierdan datos
durante esta operacin por lo que se puede dar confiabilidad al sistema.
Se utilizaron tcnicas de caracterizacin hbridas permitiendo un mejor desempeo por parte del
clasificador, lo cual se evidenci en el tiempo de entrenamiento de la mquina de soporte vectorial, y en
los porcentajes de acierto. Comparando con otros trabajos realizados sobre el mismo tema y que utilizan
el mismo nmero de electrodos, se tiene que los porcentajes de acierto en la clasificacin cuando se
utilizan vectores de caractersticas hbridas son entre un 5% y un 10% superiores (18). Adems, el tiempo
utilizado en el procesamiento y reconocimiento de las seales EMG se encuentra alrededor de los 200ms
para ventanas de datos de 400ms, con lo que se garantiza una respuesta del sistema en tiempos
cercanos a los 600ms, que es comparable a los resultados obtenidos por otros investigadores (1, 9).
La utilizacin de entornos virtuales tridimensionales muestra el alcance de este trabajo para ser aplicado
en ambientes fsicos reales, tanto en el control de procesos industriales como para la ayuda de personas
con discapacidad donde el movimiento de un par de msculos es suficiente para controlar un dispositivo
que les pueda prestar un servicio.
Referencias bibliogrficas
(1) FARRY, Kristin; WALKER, Ian; BARANIUK, Richard. Myoelectric Teleoperation of a Complex Robotic
Hand. IEEE Transaction On Robotic and Automation, October 1996; 12 (5).
(2) GRAUPE, D. EMG pattern analysis for patient responsive control of FES in paraplegics for walker-
supported walking. Fellow, IEEE trans on Biomedical Engineering. July 1989; 36 (7).
(3) KANG, W.; SHIU, J.; LAI, J. S.; TSAO, C. C.; KUO, T. The application of cepstral coefficients and
maximum likelihood method in EMG pattern recognition. IEEE Transactions on Biological Engineering,
1995.
(4) JORGENSEN, C.; WHEELER, K.; STEPNIEWSKI, S. Bioelectric control of a 757 class high fidelity
aircraft simulation. Proceedings of the World Automation Congress, June 11-16, Wailea, Maui, Hawaii,
2002.
(5) FERGUSON, Simon; DUNLOP, Reg. Grasp Recognition from Myoelectric Signals. Proc. 2002
Australasian Conference on Robotics and Automation, Auckland, 27-29 November 2002.
(6) ENGLEHART, K.; HUDGINS, B.; CHAN, A.D.C. Continuous Multifunction Myoelectric Control using
Pattern Recognition. Technology and Disability. 2003; 15 (2): 95-103.
(7) HANNAFORD, B.; LEHMAN, S. Short Time Fourier analysis of the Electromyogram: Fast Movements
and Constant Contraction. IEEE Transactions on Biomedical Engineering 1986; (BME-33), 1173-1181.
(8) NORRIS, J.; ENGLEHART, K.; LOVELY, D.F. Myoelectric signal compression using the EZW
algorithm. 23rd Conference of the IEEE Engineering in Medicine and Biology Society, Istanbul, October
2001.
(9) DAISUKE, N. Studies on electromyogram to motion classifier. PhD Thesis, Hokkaido University, 2001.
(10) BASMAJIAN, J. V.; DE LUCA C. J. Muscles alive. Their function revealed by electromyography.
Williams \& Wilkens, Baltimore, 1985.
(12) FRERIKS, B.; HERMENS, H. European Recommendations for Surface Electromyography, Results of
the SENIAM project. Disponible en: www.seniam.org, 2002.
(13) GERDLE, B.; KARLSSON, S.; DAY, S.; DJUPSJBACKA M. Acquisition, Processing and Analysis of
the Surface Electromyogram. Modern Techniques in Neuroscience. Captulo 26: p705-755. Ed. Windhorst
U. \& Johanson H. Springer Verlag, Berlin, 1999.
(14) BIRKENDAL, L.; COLLEN, T.; DAGILIS, S.; DELAVERNHE, G.; EMBORG, J. Pattern Recognition of
upper-body electromyography for control of lower limb prostheses. Institute of Electronic Systems,
Aalborg University, June 2002.
(15) DU, S.; VUSKOVIC, M.; Temporal vs. Spectral Approach to Feature Extraction from Prehensile EMG
Signals. Department of Computer Science, San Diego State University, 2003.
(16) Signal Processing Toolbox. Matlab 6.1. Disponible en: www.mathworks.com, 2004.
(18) ADDISON, P. S. The illustrated Wavelet Transform Handbook. J. Revill, Ed. Institute of Physics
Publishing, 2002.
(19) Wavelet Toolbox. Matlab 6.1. Disponible en: www.mathworks.com, 2004.
(20) Joachims, T. Making large-scale svm learning practical. Advances in kernel methods - support vector
learning. B. Schlkopf and C. Burges and A. Smola (ed.) MIT-Press, 1999.
(21) KECMAN, V. Learning and soft computing, support vector machines, neural networks, and fuzzy logic
models. A Bradford Book, 2001.
(22) Franc, Vojtech; Hlavac, Vaclav. Statistical pattern recognition toolbox for matlab users guide. Center
for Machine Perception, Department of Cybernetics, Faculty of Electrical Engineering, Czech Technical
University Technicka 2, 166 27 Prague 6, Czech Republic, http://cmp.felk.cvut.cz, 2004.
(24) Virtual Reality Toolbox. Matlab 6.1. Disponible en: www.mathworks.com, 2004.
(25) ENGLEHART, K. Signal Representation for Classification of the Transient Myoelectric Signal. PhD
Thesis, University of New Brunswick, Fredericton, New Brunswick, 1998.
Figuras y tablas
Figura 10: Entornos virtuales para la visualizacin de resultados y manipulador didctico de 5 grados de
libertad.
Tabla 1: Convenciones para la aproximacin temporal
Tabla 1: Convenciones para la aproximacin temporal
Tipo de Caracterstica Convencin
Valor medio absoluto VMA
Cruces por cero CPC
Cambio de pendiente CP
Longitud de la onda L