Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Processing, Classification and Decomposition Techniques For Electromyographic (EMG) Signals
Processing, Classification and Decomposition Techniques For Electromyographic (EMG) Signals
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.
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.
músculo.
1 Introducción Entre las razones para el interés del análisis de señales
EMG’s, está su utilidad para los diagnósticos clínicos de
Las señales EMG’s son señales biomédicas de origen patologías vinculados con la actividad neuromuscular. Tal
bioeléctrico generadas en los músculos durante su contrac- es el caso de la determinación de la forma de onda de los
ción o relajación (Hongling y col., 2006). Las señales EMG potenciales de acción de unidad motora (PAUM), propios
capturadas en los músculos de las extremidades inferiores para diagnosticar desordenes neuromusculares presentes en
que actúan durante la marcha humana, están relacionadas la rehabilitación de la actividad motora. Sin embargo las
con la posición de dicha extremidad y la fisiología del señales EMG generalmente vienen contaminadas con ruido
de diversas naturalezas tales como: ruido proveniente de que solo funciona para señales estacionarias: estas son se-
equipos eléctricos, medio ambiente, así como de factores ñales que durante el tiempo no varían las componentes de
determinísticos, movimiento artificial y estabilidad de la frecuencia presentes (Ulku y col, 2007). Lo ideal seria que
señal. Además si la electromiografía es superficial, colec- se tuviera un análisis tiempo-frecuencias pero debido al
cionará señales de diferentes unidades motoras, generando problema de incertidumbre de las señales es imposible tener
solapamientos entre las señales (Campanini y col., 2006). un plano tiempo-frecuencias ideal, otro inconveniente de la
Debido a esto, el reconocimiento y procesamiento de TF, es que solo presenta dos planos uno solo para el tiempo
dichas señales se hace con el fin de obtener unas caracterís- y otro solo para las componentes frecuenciales.
ticas más claras que permitan un reconocimiento, clasifica-
ción y análisis más exigente. Al respecto, resultados de in- 2.2 Transformada de fourier en tiempo corto (TFTC)
vestigaciones recientes en el área han permitido el desarro-
llo de algoritmos, metodologías y técnicas de procesamiento Se produce de la necesidad de corregir el problema de
para mejorar el análisis de dichas señales (Clancy y col., la TF, debido a que la TF no muestra un análisis tiempo-
2001), (Adriano y col., 2006), (Heintz y col., 2006). Sin frecuencia, sino netamente frecuencial (Kara, 2007), (Sa-
embargo, aun el análisis y diagnóstico utilizando las señales mantaray, 2007). En el análisis que hace la TFTC, la señal
EMG es más un arte que una ciencia, ya que los mismos a procesar se divide en trozos o segmento, a estos segmen-
dependen más del conocimiento y habilidad del profesional tos se le aplica la TF, la función ventana, solapará inicial-
dedicado a su interpretación que de los algoritmos y técni- mente con los primeros T segundos de la señal (Kara,
cas desarrolladas. Es por esto que del entendimiento de la 2007). La señal se divide con el objetivo de conseguir una
señal EMG su comportamiento y naturaleza, podremos ge- resolución tiempo-frecuencia de la señal a procesar. Se debe
nerar mejores resultados. tener en cuenta que las porción de señal que están dentro de
la ventana debe ser de carácter estacionario, ya que como
2 Marco teórico se aplica la TF a las porciones de señal, entonces se debe
conservar el principio de la TF sencilla: solo para señales
Esta sección presenta una breve descripción de las téc- estacionarias.
nicas de procesamiento de señales más utilizadas en el área Matemáticamente la TFTC esta expresada como:
de la ingeniería biomédica:
3.3 Descomposición