Técnicas de procesamiento, clasificación y descomposición de

señales electromiográficas (EMG)

Processing, classification and decomposition techniques for

electromyographic (EMG) signals

Mendoza, Luis*; Rojas Rubén

Postgrado en Ingeniería Biomédica, Facultad de Ingeniería, ULA
Mérida 5101, Venezuela
*luenme-81@hotmail.com

Resumen

Las señales electromiográficas (EMG) pueden ser usadas para aplicaciones clínico-biomédicas, desarrollo de sistemas de
adquisición de datos (hardware) y modernos sistemas de interacción hombre-maquina (software). La adquisición de seña-
les EMG desde los músculos, requieren métodos avanzados y precisos de procesamiento, clasificación, y descomposición
de la señal para un correcto análisis. El propósito de este artículo es ilustrar las técnicas de procesamiento, clasificación, y
descomposición utilizadas para el análisis de este tipo de señales. Esto se hace con el fin de dar vías eficientes y eficaces
que permitan entender el comportamiento y naturaleza de la señal EMG. En particular se presentan resultados importantes
obtenidos mediante el uso de la técnica conocida como análisis wavelet, una de las más utilizadas hoy en día para el proce-
samiento de señales debido a su comportamiento dinámico. Este estudio pretende crear las bases para el desarrollo de
aplicaciones eficientes, flexibles y más poderosas no solo validas para el área de electromiografía, sino se espera que estos
resultados sean expandibles al procesamiento de otros tipos de señales biomédicas que se requiera.

Palabras Claves: Electromiografía, Procesamiento de Bioseñales y Transformada Wavelet.

Abstract

Electromyographic (EMGs) signals can be used in several clinical/biomedical applications, data acquisition systems devel-
opment (hardware) and modern human computer interface systems (software). Acquisition of EMG signals from muscles
requires advanced and precise signal processing, classification, and decomposition methods for a correct analysis. This ar-
ticle pretends to illustrate processing, classification, and decomposition techniques used for analysis of this kind of signals.
Its purpose is to give efficient and effective ways that allows understanding of EMG signal behavior and nature. In particu-
lar, it presents important results obtained by using the technique known as wavelet analysis, one of the most used nowadays
for signal processing, due to their dynamic behavior. This study tries to create the bases for the development of efficient,
flexible and more powerful applications not only valid for the electromyographic area, but also these results can be ex-
panded to other types of biomedical signals.

Key words: Electromyography, bio-signals processing, Wavelet Transformed.

1 Introducción
Las señales EMG’s son señales biomédicas de origen
bioeléctrico generadas en los músculos durante su contrac-
ción o relajación (Hongling y col., 2006). Las señales EMG
capturadas en los músculos de las extremidades inferiores
que actúan durante la marcha humana, están relacionadas
con la posición de dicha extremidad y la fisiología del
músculo.
Entre las razones para el interés del análisis de señales
EMG’s, está su utilidad para los diagnósticos clínicos de
patologías vinculados con la actividad neuromuscular. Tal
es el caso de la determinación de la forma de onda de los
potenciales de acción de unidad motora (PAUM), propios
para diagnosticar desordenes neuromusculares presentes en
la rehabilitación de la actividad motora. Sin embargo las
señales EMG generalmente vienen contaminadas con ruido
de diversas naturalezas tales como: ruido proveniente de
equipos eléctricos, medio ambiente, así como de factores
determinísticos, movimiento artificial y estabilidad de la
señal. Además si la electromiografía es superficial, colec-
cionará señales de diferentes unidades motoras, generando
solapamientos entre las señales (Campanini y col., 2006).
Debido a esto, el reconocimiento y procesamiento de
dichas señales se hace con el fin de obtener unas caracterís-
ticas más claras que permitan un reconocimiento, clasifica-
ción y análisis más exigente. Al respecto, resultados de in-
vestigaciones recientes en el área han permitido el desarro-
llo de algoritmos, metodologías y técnicas de procesamiento
para mejorar el análisis de dichas señales (Clancy y col.,
2001), (Adriano y col., 2006), (Heintz y col., 2006). Sin
embargo, aun el análisis y diagnóstico utilizando las señales
EMG es más un arte que una ciencia, ya que los mismos
dependen más del conocimiento y habilidad del profesional
dedicado a su interpretación que de los algoritmos y técni-
cas desarrolladas. Es por esto que del entendimiento de la
señal EMG su comportamiento y naturaleza, podremos ge-
nerar mejores resultados.
2 Marco teórico
Esta sección presenta una breve descripción de las téc-
nicas de procesamiento de señales más utilizadas en el área
de la ingeniería biomédica:
2.1 Transformada de Fourier (TF)
La transformada de fourier muestra que cualquiera
función periódica y no periódica puede expresarse como
una suma infinita de funciones exponenciales complejas pe-
riódicas ya sea que la señal se presente en tiempo discreto
o continuo que es el caso de las señales EMG (Clavo,
2000), (Daniel y col,2006) .

 x(t) * e
 2 * pi * f * t
X (f )  dt (1)

 dar: buena resolución en tiempo y resolución en frecuencia
x ( t )   X(f ) * e  2*pi*f *t df (2)

x(t) = Señal original
t = Representa la variable de tiempo.
f = Variable de frecuencia.
La transformada de fourier (TF) expresada matemáti-
camente por las ecuaciones 1, 2, dicen que si existe o no
ciertas componentes de frecuencia; información que es in-
dependiente del momento en que aparecen estas componen-
tes. Por lo tanto se debe tener en cuenta si la señal es o no
estacionarias. Se concluye que la desventaja de la TF es
que solo funciona para señales estacionarias: estas son se-
ñales que durante el tiempo no varían las componentes de
frecuencia presentes (Ulku y col, 2007). Lo ideal seria que
se tuviera un análisis tiempo-frecuencias pero debido al
problema de incertidumbre de las señales es imposible tener
un plano tiempo-frecuencias ideal, otro inconveniente de la
TF, es que solo presenta dos planos uno solo para el tiempo
y otro solo para las componentes frecuenciales.
2.2 Transformada de fourier en tiempo corto (TFTC)
Se produce de la necesidad de corregir el problema de
la TF, debido a que la TF no muestra un análisis tiempo-
frecuencia, sino netamente frecuencial (Kara, 2007), (Sa-
mantaray, 2007). En el análisis que hace la TFTC, la señal
a procesar se divide en trozos o segmento, a estos segmen-
tos se le aplica la TF, la función ventana, solapará inicial-
mente con los primeros T segundos de la señal (Kara,
2007). La señal se divide con el objetivo de conseguir una
resolución tiempo-frecuencia de la señal a procesar. Se debe
tener en cuenta que las porción de señal que están dentro de
la ventana debe ser de carácter estacionario, ya que como
se aplica la TF a las porciones de señal, entonces se debe
conservar el principio de la TF sencilla: solo para señales
estacionarias.
Matemáticamente la TFTC esta expresada como:

 x(t ) * w(t  t ' ) * e
 2*pi*t *f *t
TFTC  dt (3)

w(t) = Función ventana
x(t) = Señal original
2.3 Transformada Wavelet (TW)
En un análisis hecho con la TW, la señal es analizada
a diferentes frecuencias con resoluciones diferentes (Hoobin
y col, 2006), (Gulay y col, 2005), (Morten y col, 2005). De-
bido a esto se dice que la TW, hace un análisis multiresolu-
cional, por este motivo se dice que la TW se diseña para
baja para frecuencias altas, y resolución de frecuencias alta
y resolución en tiempo baja para frecuencias bajas. Se apli-
ca para señales estacionarias y no estacionarias. Con análi-
sis wavelet el problema de incertidumbre (resolución tiem-
po-frecuencia) (Grzegorz, 2006), (Firat y col 2006), existen
en menor proporción que en análisis con TF y TFTC.
Matemáticamente es expresada:

1 t  
c(, s) 
s
 f (t ) *  

s 
dt (4)
 Donde: F(i, j)  F(i - 1, j - 1)  s(xi , yj)
F(i, j)  F(i - 1, j) - d 
  (7)
t   F(i, j)  max  
  F(i, j)  F(i, j - 1) - d 
 s 
Wavelet madre (5)
0 
Ecuación recursiva del alineamiento local
f ( t ) : Señal EMG
s(xi,yj) = Score puntuación de cada alineamiento
c(, s) : Coeficientes wavelet. d = Penalización por inserción de espacio.
 : Corresponde a traslación. F(i,j) = Matriz de puntuaciones.
s: Corresponde a la escala.
La matriz de puntuación F(i,j), es la que contiene la in-
formación para poder realizar el reconocimiento de patrones
Traslación: Se relaciona la ubicación de la ventana
con PD (Takashige y col, 2003). Para elegir el mejor ali-
(wavelet madre), con el cambio de lugar a lo largo de la se-
neamiento se debe tener en cuenta el mayor puntaje que de-
ñal. Este término, obviamente corresponde a la información
pende del mejor camino que se encuentre en F(i,j). Existen
de tiempo de la transformada, sin embargo, no se tiene un
diferentes caminos en F(i,j), se puede elegir cualquiera, pe-
parámetro de frecuencia, como se tenía antes en TFTC. En
ro como se mencionó se debe elegir el camino de mayor
cambio, se tiene un parámetro de escala de la cual esta defi-
puntuación. La puntuación depende de los valores de pena-
nido como frecuencia (Marwa y col, 2006).
lización y score elegidos por el usuario (Rolf y col, 2006),
Escala: El parámetro escala en el análisis wavelet es
(Veli, 2007).
similar a la escala usada en los mapas. Como en el caso de
los mapas, las altas escalas corresponden a una vista global
2.5 Redes neuronales (RN)
no detallada, y las escalas bajas corresponden a una vista
detallada, esto es homologo como si cambiáramos el lente
de una lupa, cada vez que aumentado la calidad de la lupa El sistema de neuronas biológico esta compuesto por
conseguiríamos mayor detalles (Marwa y col, 2006). Las neuronas de entrada (sensores) conectados a una compleja
frecuencias bajas (escalas altas), corresponden a una infor- red de neuronas "calculadoras" (neuronas ocultas), las cua-
les, a su vez, están conectadas a las neuronas de salidas que
mación global de la señal, y las frecuencias altas (escalas
controlan (Schobesberger, 2002), por ejemplo, los múscu-
bajas), corresponden a una información detallada de un mo-
los. Los sensores pueden ser señales de los oídos, ojos, etc.
delo oculto de la señal.
las respuestas de las neuronas de salida activan los múscu-
2.4 Programación dinámica (PD) los correspondientes. En el cerebro hay una gigantesca red
de neuronas "calculadoras" ocultas que realizan la compu-
tación necesaria. De esta manera similar trabaja una red
La PD se usa con el objetivo de solucionar problemas
neuronal artificial, por ejemplo: El sensor podría ser de tipo
de gran escala, problemas donde la cantidad de datos es
mecánico o eléctrico (Talavan y col, 2005).
muy alta, en el análisis de señales EMG es muy poco usada,
en señales es utilizada para encontrar patrones que no son
vistos a simple vista. La principal aplicación en procesa-
miento de señales es el alineamiento de secuencias (Chunxi
y col, 2005). El alineamiento se puede definir como: En-
contrar la posición relativa entre dos secuencias que maxi-
mice su parecido. Una de las grandes potencialidades de la Entrada Neuronas ocultas Salida
PD es que se debe codificar la señal, ya que el alineamiento Fig 1. Red neuronal
solo se hace para caracteres tipo char. Esta característica de
codificación hace que la señal pase del dominio real, a un Las redes neuronales se utilizan en análisis de señales,
dominio de pocos caracteres, según sea la codificación. para encontrar patrones, encontrar componentes espectra-
El alineamiento se hace de dos tipos: alineamiento lo- les, y a partir de estos datos puede tomar decisiones y
cal (6) y alineamiento global (7). aprender de estos. Como se ve en la figura 1, las redes neu-
ronales en general constan de una etapa de entrada, etapa de
F(i, j)  F(i - 1, j - 1)  s(xi , yj) decisiones y una etapa de salida. Otra característica de las
  (6)
F(i, j)  max F(i, j)  F(i - 1, j) - d  redes neuronales es que pueden entrenarse para la toma de
F(i, j)  F(i, j - 1) - d  decisiones mucho más preciosas, a medida que pasa el
  tiempo (Aiello, 2001). Existen dos tipos de aprendizaje: su-
pervisado y no supervisado (Berrueta, 2007). El primero
Ecuación recursiva del alineamiento global
ocurre cuando se le proporciona a la red tanto la entrada
como la salida correcta, y la red ajusta sus pesos tratando de
minimizar el error de su salida calculada. Este tipo de entre-
namiento se aplica por ejemplo, en el reconocimiento de
patrones. El entrenamiento no supervisado se presenta
cuando a la red se le proporcionan únicamente los estímu-
los, y la red ajusta sus interconexiones basándose únicamen-
te es sus estímulos y la salida de la propia red. Las leyes de
aprendizaje determinan como la red ajustará sus pesos utili-
zando una función de error o algún otro criterio. La ley de
aprendizaje adecuada se determina en base a la naturaleza
del problema que se intenta resolver (Melssen, 2005).
2.6 Lógica Fuzzy
Una de las disciplinas matemática con mayor número
de seguidores actualmente es la lógica difusa o borrosa, que
es la lógica que utiliza expresiones que no son ni totalmente
ciertas ni completamente falsas, es decir, es la lógica apli-
cada a conceptos que pueden tomar un valor cualquiera de
veracidad dentro de un conjunto de valores que oscilan en-
tre dos extremos, la verdad absoluta y la falsedad total.
Los sistemas de lógica fuzzy son ventajosos en proce-
samiento y clasificación de señales biomédicas (Reaz y col,
2006). Señales biomédicas tal como señales EMG no son
siempre tiene una característica de repetibilidad estricta-
mente constante y muchas veces son contradictorias. Una de
las mejores propiedades de los sistemas de lógica fuzzy es
que pueden tolerar contradicciones en la data (Xydeas y col,
2006). Además si se usan trenes de sistemas de lógica
fuzzy, es posible descubrir patrones en la data que no son
posible detectarlos con otras técnicas, como también pue-
den ser hechos por RN (Reaz y col ,2006), y finalmente la
experiencia de expertos médicos puede ser incorporada
para tener mayor confianza de los datos obtenidos como
respuesta. Esto es posible para integrar valores incompletos
de conocimiento dentro del sistema de lógica fuzzy, que se
desarrolla con el objetivo de copiar lo mas parecido a un ser
humana.
Esto es una significante ventaja sobre las redes neuro-
nales artificiales (RNA). Los sistemas de lógica fuzzy emu-
lan decisiones tomadas por el humano más cerradamente
que las decisiones tomadas por un sistema de RN. El Kernel
de un sistema experto fuzzy es el motor de inferencia fuzzy
(Angelini y col, 2006). EL conocimiento de un experto o
ejemplos bien clasificados son expresados o transferidos
para formar reglas de producción fuzzy en forma de IF-
THEN.
Ejemplos:
Si hace muchísimo calor ENTONCES disminuyo
drásticamente la temperatura.
Si voy a llegar a llegar un poco tarde ENTONCES
aumento levemente la velocidad.
3 Metodología
3.1 Procesamiento
Originalmente las señales EMG, vienen en su estado
original de forma cruda (Raez y col ,2006), (Langzam y col,
2006) esta información solo es usada si puede ser cuantifi-
cada.
Varios métodos de procesamiento de señales son apli-
cados a la señal cruda con el fin de obtener mayores carac-
terísticas de dicha señal.
En el procesamiento de señales la TF y TFTC son uti-
lizadas muy a menudo para encontrar las componentes fre-
cuenciales presentes en la señal a procesar. La TFTC tiene
una gran ventaja con respecto a la TF, identifica en que
momento se producen dichas frecuencias (Durkin y col,
2005). Tanto la TF como la TFTC, no permiten un análisis
muy a fondo de la señales, gracias a la limitación de solo
trabajar con señales tipo estacionaria, en el caso de la
TFTC a pesar de dividir la señal en porciones, se sigue
conservando un análisis tipo estacionario ver apartado 2.2.
En el caso de la TW, el procesamiento es mucho más
eficiente, gracias a su característica de análisis multiresolu-
conal, (Derya, 2007), ver apartado 2.3. Esta técnica es muy
utilizada recientemente, ya que permite hacer diferentes
procesos a cualquier tipo de señal, en este articulo, aplica-
das a señales EMG. Con la TW podemos procesar señales
con el fin de obtener: análisis frecuencial (resolución tiem-
po-frecuencia), eliminación de ruido, detectar zonas de inte-
rés, detección de picos mas significativos. Estos análisis
para procesar señales EMG, son muy importantes, ya que
una de las características que los expertos en análisis de se-
ñales EMG, toman para descartar patologías es, el número
de PAUM presentes en un intervalo de tiempo.
La PD, es utilizada en procesamiento de señales, con
el fin de poder dar respuestas mucho mas eficientes compa-
radas con las de especialistas en lectura de bioseñales (Gui-
llo y col, 2004).
Las técnicas que necesitan de implementación de RN o
lógica fuzzy, fueron parte de solo un estudio teórico, ya que
uno de los trabajos futuros es procesar señales EMG im-
plementado este tipo de técnicas, para poder comparar y ha-
cer un mejor usos de las diferentes herramientas presentes
para procesamiento de señales.
3.2 Clasificación
La característica común para clasificar señales EMG intra-
musculares es la distancia euclidiana entre formas de ondas
de diferentes PAUM (Reaz y co,.2006). Para los intereses
clínicos, la principal característica de las señales EMG, es el
número de unidades motoras activas de onda de los PAUM
y el tiempo de inervación estático (Raez y col, 2006).
La clasificación de patrones es importante en el análi-
sis de señales, en especial señales EMG, por su poca repro-
ducibilidad. La TF Y la TFTC, se utilizan para clasificar
cada una de las formas de onda de los PAUM (Kara, 2007), En la figura 2 se muestra la señal EMG suministrada.
(59),(Betancourt y col, 2004), (Xiao y col, 2005). La TW
utiliza para la clasificación de señales EMG, sus coeficien-
tes que son llamados coeficientes wavelet y son el resultado
de un proceso de filtrado de la señal original (Derya, 2007),
la clasificación depende de los niveles escogidos en la TW
(Avci, 2007), (Hu y col, 2005), si la clasificación se hace en
el dominio wavelet, las bandas de frecuencias para este tipo
de proceso deben estar entre 0-150Hz, estudios dicen que
para una buena clasificación de la señal EMG es suficientes
4 bandas (Derya, 2007).
La PD, es utilizada para clasificación de patrones, y es
muy utilizada en la búsqueda de patrones en secuencias de Fig. 2 Señal electromiográfica en contracción isométrica.
ADN (Ma y col, 2007) o señales electroforéticas (Guillo y
col, 2004), estudio pretende en futuro implementar esta téc- 5 Resultados
nica para encontrar características homologas en diferentes
señale EMG. El análisis espectral, figura 3, muestra que componen-
Las técnicas de clasificación que usan RN y lógica tes frecuenciales están presenten en la señal EMG.
fuzzy como (Yu y col,2007), (subasi y col, 2006), tienen la
particularidad que hacen la clasificación en tiempo real. Y
tiene mejores respuesta que las clasificaciones echas por
otras técnicas.

3.3 Descomposición

Las señales EMG son, superposición de actividades de

múltiples unidades motoras. Por esto se hace necesario des-
componer la señal EMG para poder revelar los mecanismos
pertenecientes a las señales normales musculares, compo-
nentes de ruido y señales que caracterizan el control nervio-
Fig. 3. Espectro de frecuencia discreto y continuo señal miográfica
so. La técnica mas utilizada hoy en día es la TW (Raez y
col, 2006), ya que tiene la particularidad de mostrarme la
La wavelet madre elegida para la descomposición fue
señal en diferentes componentes frecuenciales, y esto per-
la wavelet “db6”, gracias a sus características similares con
mite con mas facilidad encontrar que componentes son rui-
el PAUM de la señal original. La descomposición se presen-
dosas que componentes son PAUM y otras características
ta en la figura 4, en la parte superior se aprecia el coeficien-
importante (Betancourt y col, 2004).
te de aproximación wavelet, el cual se obtuvo con una alta
La PD se podría tomar como una descomposición de
patrones pero, en la actualidad no se encuentran muchos correlación (0,984). En tanto que, los coeficientes de deta-
lles (Fig. 4: parte media e inferior), representan las compo-
trabajos guiados a esta área.
nentes de alta frecuencias presentes en la señal EMG origi-
Métodos que utilizan RN y lógica fuzzy se caracterizan
nal. Los coeficientes de detalle en general son los utili-
por descomponer la señal de forma automática (Rasheed,
zados para el procesamiento de la señal, debido a que po-
2005).
seen gran parte de componentes ruidosas o altas fre-
cuencias.
4 Métodos y Materiales

En este estudio se procesó una señal EMG obtenida

mediante una electromiografía invasiva del músculo gastro- Aproximación 2
nemio en contracción máxima, muestreada a 3000 herzios
(Hz) y realizada por un neurofisiólogo en un sujeto volunta-
rio de sexo masculino de 35años. Esta señal fue enviada al
Centro de Investigación de Ingeniería Biomédica de la Fa- Detalle 2
cultad de Ingeniería de la Universidad de Los Andes, Méri-
da-Venezuela en formato digital, que fue procesada y anali-
zada con el software Matlab®, programa que permitió la Detalle 1
aplicación de los algoritmos de eliminación de ruidos, des-
composición de la señal, la cuantificación de los PAUMs. Fig. 4 Descomposición señal miográfica.

Con criterios análogos a la elección de la wavelet ma-
dre para la descomposición, la wavelet madre symlet grado
dos “sym2”, se empleó en la remoción de ruido presenten
en la señal original. Y así, con la técnica de umbralización
basada en la desviación estándar de cada unos de los coefi-
cientes wavelet, sólo se umbralizaron los coeficientes de
detalle, con el fin de preservar las características significati-
vas en la señal. Como se observa en las figuras 6 y 7, se
muestran las umbralizaciones fuerte (hard) y suave (soft),
obtenidas a partir de la señal con ruido (Fig. 5). Y resultó
evidente que una umbralización fuerte permitió preservar
una mayor cantidad de los detalles de la señal EMG original
(Fig. 2).
Fig. 5 Señal miográfica con ruido.
Fig. 6 Reconstrucción señal EMG umbralización fuerte
Fig. 7 Reconstrucción señal EMG umbralización suave
Para el procedimiento del cálculo de las unidades mo-
toras más significativas en la señal EMG, se tomó el nivel
de detalle 7 (d7) y los resultados se muestran en la figura 8.
Aquí se aprecian los niveles completos de descomposición.
La escogencia de este nivel (d7) se basó en que, el mismo
permitió una mejor correspondencia con cada uno de los
potenciales de acción más característicos visualmente en la
señal EMG original, para respetar la vinculación con la
fuente biogeneradora: el músculo. El umbral que identifica
cuantos potenciales existen y conformaban y participaban
de forma más significativa en la señal original estuvo dado
por un porcentaje del 50% del valor absoluto del máximo
valor de los coeficientes del nivel escogido en este caso el
umbral = 220.1349, este porcentaje puede ser variado según
sea la conveniencia. La tabla 1 muestra algunos datos con
diferentes porcentajes para la escogencia del umbral y los
diferentes PAUM encontrados.
Tabla 1. PAUM encontrados dependiendo del umbral.
Porcentajes del umbral 30% 50% 70%
PAUM 18 5 3
Después de tener el umbral, se aplica al nivel escogido
y dato que supere el umbral dato que se toma como poten-
cial de acción motora. Después de estos procesos tenemos
que 5 potenciales de acción son los mas significativos en
esta señal EMG.
Fig. 8. Descomposición wavelet.
6 Discusiónes
Tradicionalmente, el estudio clínico visual de las
EMGs esta basado en tiempo, amplitud y el reclutamiento
de PAUM; sin embargo, en este estudio se aplicaron técni-
cas y procesos con ayuda del análisis wavelet, en una señal
EMG invasivas, con estricta observancia de la correspon-
dencia con las fuentes de su biogeneración, con el fin de lo-
grar obtener mejores resultados obtenidos por las fuentes
visuales.estas técnicas puedan ser empleadas tanto para las
EMGs invasivas y las no invasivas, como también para co-
rrelaciones clínico-funcionales. Los resultados de este estu-
dio mostraron que, a través, de transformadas wavelet de
EMGs se logran perspectivas más profundas y más exactas
que la simple visualización; pero además parece ofrecer me-
jores procesos para la búsqueda de patrones relacionados
con las componentes frecuenciales de las señales EMG, en
los eventos neuromusculares. Aunque para todo ello, se ha-
ce necesario contar con más evidencia empírica que pueda
consolidar la validez de los modelos matemáticos junto con
los patrones hallados en los análisis wavelet, con estudio de
correlación clínica.
El estudio de las diferentes técnicas de procesamiento,
clasificación y descomposición de señales, se hace con el
fin de conocer cada una de ellas, y así elegir, en estudios
futuros un mejor análisis de señales EMG.
7 Conclusiones
El empleo de la transformada wavelet demostró ser una
herramienta útil con mayor profundidad y precisión para el
estudio de las EMGs y además, hace factible la generación
de patrones, cuantizar los PAUM relacionados con suficien-
te potencialidad en la correlación clínico-funcional de la ac-
tividad muscular.
Nuevos estudios conducirían a establecer las necesarias
correlaciones fisiopatológicas del músculo con los patrones
que se puedan encontrar en trabajos futuros.
El conocimiento y estudios de otras técnicas, hace que
se tracen nuevos objetivos futuros con más detalles, y con-
seguir mejores resultados de los ya obtenidos con la TW.
Referencias
Adriano O, y col, 2006, EMG signal filtering based on Em-
pirical Mode Decomposition, Biomedical Signal Processing
and Control 1, 44–55.
Aiello L, 2001, Diffusive neural network, Palermo, Italy,
Neurocomputing 48, 3–15.
Angelini L, y col, 2006, Kernel method for clustering based
on optimal target vector, Italy, Physics Letters A, 357, 413–
416.
Avci E, 2007, Performance comparison of wavelet families
for analog modulation classification using expert discrete
wavelet neural network system, Expert Systems with Appli-
cations 33, 23–35.
Berruela L, y col , 2007, Supervised pattern recognition in
food analysis, Journal of Chromatography A, Budapest,
Hungary.
Betancourt g, y col, 2004, Reconocimiento de patrones de
movimiento a partir de señales electromiográficas, Scientia
et technica año x, no 26, UTP, Issn 0122- 1701 53.
Campanini I, y col, 2006, Effect of electrode location on
EMG signal envelope in leg muscles during gait, Journal of
Electromyography and Kinesiology 17, 515–526.
Chunxi C, y col, 2005, An adaptive grid implementation of
DNA sequence alignment, Future Generation Computer
Systems 21 988–1003.
Clancy E, y col, 2001, Sampling, noise-reduction and am-
plitude estimation issues in
surface electromyography, Journal of Electromyography
and Kinesiology 12, 1–16.
Daniel B, y col, 2006, Signal and noise of Fourier recon-
structed fMRI data, Journal of Neuroscience Methods 159,
361–369.
Derya E, 2007, Wavelet/mixture of experts network struc-
ture for EEG signals classification, Expert Systems with
Applications, Turkey.
Durkin J, y col, 2005, Effects of minimum sampling rate
and signal reconstruction on surface electromyographic sig-
nals, Journal of Electromyography and Kinesiology 15 474–
481.
Fırat H, y col, 2006, Determination of carotid disease with
the application of STFT and CWTmethods, Computers in
Biology and Medicine 37, 785 – 792.
Grzegorz R, 2006, Infragravity waves at a dissipative coast;
evidence upon multi-resolution análisis, Coastal Engineer-
ing 54, 217–232.
Guillo C, y col, 2004, Micellar electrokinetic capillary
chromatography and data alignment analysis: a new tool in
urine profiling, Journal of Chromatography A, 1027, 203–
212.
Gülay T, y col, 2005, ECG signal compression by multi-
iteration EZW coding for different wavelets and thresholds,
Computers in Biology and Medicine 37, 173 – 182.
HongLing N, y col, 2006, Gender effects on trapezius sur-
face EMG during delayed onset muscle soreness due to ec-
centric shoulder exercise, Journal of Electromyography and
Kinesiology 17, 401–409.
Hoonbin H, y col, 2006, Separation of fault features from a
single-channel mechanical signal mixture using wavelet de-
composition, Mechanical Systems and Signal Processing
21, 2025–2040.
Hu X, y col, 2005, Classification of surface EMG signal us-
ing relative wavelet packet energy, Computer Methods and
Programs in Biomedicine 79, 189-195.
Kara S, 2007, Classification of mitral stenosis from Doppler
signals using short time Fourier transform and artificial neu-
ral networks, Expert Systems with Applications 33, 468–
475.
Langzam E, y col, 2006, Evaluation of methods for extrac-
tion of the volitional EMG in dynamic hybrid muscle acti-
vation, Journal of NeuroEngineering and Rehabilitation,
3:27.
M. del C. Calvo, 2006, Transformada de Fourier.
Ma B, y col, 2007, Near optimal multiple alignment within
a band in polynomial time, Journal of Computer and System
Sciences 73, 997–1011.
Marwa C, y col, 2006, Methodology of wavelet packet se-
lection for event detection, Signal Processing 86, 3826–
3841.
Melssen W, y col , 2006, Supervised Kohonen networks for
classification problems, Chemometrics and Intelligent La-
boratory Systems 83, 99–113.
Morten M, y col, 2005, Parallel Factor Analysis as an ex-
ploratory tool for wavelet
transformed event-related EEG, NeuroImage 29, 938 – 947.
Rasheed S, y col, 2005, Adaptive fuzzy k-NN classifier for
EMG signal decomposition, Medical Engineering & Phys-
ics 28, 694–709.
Rolf B, y col, 2006, Fast detection of common sequence
structure patterns in RNAs, Journal of Discrete Algorithms
5, 212–228.
Samantaray S, y col , 2007, Transmission line distance re-
laying using a variable window short-time Fourier trans-
form, Electric Power Systems Research, India.
Schobesberger H, y col , 2002, Computerized Detection of
Supporting Forelimb Lameness in the Horse Using an Arti-
ficial Neural Network, The Veterinary Journal, 163, 77-84.
Subasi A, y col , 2006, Classification of EMG signals using
wavelet neural network, Journal of Neuroscience Methods
156, 360–367.
Takashige S, y col, 2003, A special-purpose computer for
exploring similar protein sequences by the dynamic pro-
gramming method, Computer Physics Communications
157, 1–8.
Talaván P, y col, 2005, The generalized quadratic knapsack
problem. A neuronal network approach, Neural Networks
19, 416–428.
UlkÜ C, y col, 2007, The stiffness and phase frequency re-
sponse of taenia coli smooth muscle: Comparison of the
step and sinusoidal perturbation analysis, Medical Engineer-
ing & Physics, turkey.
Veli M, 2007, Peak alignment using restricted edit distanc-
es, Biomolecular Engineering, University of Helsinki, Hel-
sinki FIN-00014, Finland.
Hu X, y col, 2005, Classification of surface EMG signal
with fractal dimension, Department of Biomedical Engi-
neering, Shanghai Jiaotong University, Shanghai 200030,
China, Hu et al. / J Zhejiang Univ SCI, 6B(8):844-848.
Xydeas C, y col, 2006, Advances in classification of EEG
signals via evolving fuzzy classifiers and dependant multi-
ple HMMs, Computers in Biology and Medicine 36, 1064–
1083.
Yu S, y col, Electrocardiogram beat classification based on
wavelet transformation and probabilistic neural network,
Pattern Recognition Letters, 1142–1150.