Documentos de Académico
Documentos de Profesional
Documentos de Cultura
del codo
fonseca@u-paris10.fr
Abstracto. En este trabajo, se propone un nuevo método para estimar la elbowmotion, a través de las características extraídas de las señales
de electromiografía (EMG). Los valores de características se normalizan y después se compara para identificar las relaciones posibles entre
la señal de EMG y la información cinemática como ángulo y velocidad angular. Proponemos e implementar un método para seleccionar el
mejor conjunto de características, lo que maximiza la distancia entre las funciones que corresponden a los movimientos de la flexión y
extensión. Finalmente, probamos las características seleccionadas como entradas a una máquina de vectores de soporte no lineal en
presencia de condiciones no idealistas, la obtención de una precisión de 99,79% en los resultados de la estimación de movimiento.
1. Introducción
La señal de electromiografía (EMG) es una medida de la actividad eléctrica producida por los músculos durante el movimiento.
Por lo tanto, es posible estimar el movimiento a través del análisis de estas señales [1]. Incluso que, debido a la naturaleza de la
EMG la estimación no es sencillo [2].
En la literatura, varios estudios pertinentes se han llevado a cabo. Algunos de ellos se centran en la relación de las señales
de EMG y el movimiento, y algunos otros en la clasificación de las señales para estimar los movimientos. En cuanto a la
aproximación a la clasificación de las señales de EMG, Oskoei y Huosheng [3] realizó la clasificación de los cinco movimientos
de la mano, llegaron a una precisión de 94%. Asimismo, en [4], los autores proponen la identificación de la muñeca y los
movimientos nger anillo fi, y que ganaban una precisión de 87,3%. De la misma manera, Wang et al. [ 5] presentado el
reconocimiento de ocho gestos de agarre y ha logrado una precisión entre 96,9% y 99,65%. En cuanto al análisis de la relación
entre EMG y movimiento, Kamavuako
et al. [ 6] llevado a cabo un estudio para hallar la relación entre la fuerza de agarre y las señales de EMG.
Sin embargo, estos estudios importantes no han establecido una relación clara, y por lo tanto, el proceso de clasi fi cación podría
mejorarse. En consecuencia, se introduce un nuevo método para analizar las señales EMG basado en características. Una
característica es un valor escalar extraída de la señal EMG en dominios de tiempo o de frecuencia que contiene la información
pertinente que podría estar relacionado con el movimiento. Nuestro método, analizar los parámetros cinemáticos como la velocidad
angular una posición angular, para extraer de una manera precisa el fragmento de señal que coincida exactamente con el apropiado
movimiento. Por lo tanto, mejoramos la posibilidad de establecer una relación EMG-moción para mejorar el proceso de
estimación de movimiento.
Posteriormente, se realiza una correlación entre los datos cinemáticos y las señales de EMG. Esta relación permite
proponer un criterio de selección de la pareja de la función que mejor separa los movimientos de extensión y Exion fl.
Por último, los resultados de nuestro criterio (mejores características) se validan utilizando un algoritmo SVM no lineal (que
está optimizado con respecto a la llamada sobre fi tting y coeficientes radio Coe FFI). Añadimos ruido gaussiano de media cero
blanco simulado para las señales para evaluar nuestro método en condiciones no idealista. Como resultado, se logró un
porcentaje de clasi fi cación de 99,79%, que es más alta que la clasi fi conseguido en el estado de la técnica.
2. Estructura de ensayo
En este estudio, se consideran tres sujetos sanos que ejecutan los movimientos de extensión y Exion fl, el primero, segundo y tercer
sujeto que haga uno, cuatro y seis ensayos, respectivamente. Para cada movimiento de flexión y extensión fl, que mide las señales
de EMG del tríceps y los bíceps (debido a su alta actividad eléctrica durante estos movimientos [7]) y rastreado el movimiento de las
extremidades superiores.
El movimiento fue rastreado utilizando siete cámaras 3D VICON con una frecuencia de muestreo de 200 Hz, y 30 retro-re marcadores
ectantes fl distribuidos como se muestra en la Fig. 1. Las señales de EMG fueron capturados utilizando sensores inalámbricos con una frecuencia
de muestreo de 1 kHz.
Preprocesar los datos experimentales en una forma precisa, desarrollamos un software de código abierto 1
que nos permite visualizar las medidas (de movimiento y EMG) y calculamos los parámetros cinemáticos como la rotación y la
velocidad angular. Nuestro software sincroniza señales EMG de captura de movimiento y (medida en tiempo real) para realizar
un análisis preciso de la relación entre el movimiento y EMG.
Extensión Flexión
8 10
Velocidad angular
Velocidad angular
6
η [rad / s]
η [rad / s]
4 5
0 0
• La media de valor absoluto: MAV ( y) = norte - 1 Σ norte i=1|[ y] i |, dónde [ y] yo representa el yo- ésima muestra de
la señal Y, y norte es el número de muestras.
• Valor medio: M ( y) = norte - 1 Σ norte i=1[ y] yo.
• Entropía: Ent ( y) = - Σ yo mi 2 yo Iniciar sesión 2 ( mi 2 yo ) dónde mi yo representa los coeficientes de proyección Coe FFI de la
señal y en una base ortonormal [8].
• media armónica: HM ( y) = norte( Σ norte i=1[ y] - yo
y1o ) - 1.
Una vez que se aplican los modelos de extracción de características de todos los ensayos, se obtiene un conjunto de valores escalares que
corresponden a la fl exión y la extensión. Teniendo en cuenta que los valores tienen escalas ff Erent di, aplicamos una normalización. La tabla 1
muestra los valores normalizados de las características; la fila uno contiene los valores de prueba de un, la segunda fila representa de prueba de dos, y
así sucesivamente.
La comparación de los valores normalizados de las características durante los movimientos Erent di ff, se encuentra que M y HM
tienen variaciones significativas y unos valores mínimos y máximos locales (ver fi gura 3 lado izquierdo). Estas fluctuaciones de
tiempo podría ser útil para modelar pequeños cambios de ángulo o de velocidad. Pero en lo contrario, la identi fi cación de la gama
completa será más dif'ıcil. Por otra parte, Ent, MAV y MF muestran un patrón similar, un comportamiento más regular y varios valores
mínimos y máximos locales (ver fi gura 3 derecha). Estas particularidades hacen posible modelar y, en consecuencia describe un
movimiento de largo alcance. Esto demuestra que existe una relación entre las características extraídas de las señales de EMG y el
movimiento. Por lo tanto, proponemos una estrategia para elegir las mejores características para identificar los movimientos fl exión y
extensión.
Tabla 1. Los valores normalizados de las características.
Flexión Extensión
Bíceps tríceps Bíceps tríceps
Ent Mav M HM MF Ent Mav M HM MF Ent Mav M HM MF Ent Mav M HM MF
- 0.47 - 0,57 0,01 - 0.31 - 0.69 - 0.07 - 0,94 1,36 - 2.50 - 0,66 2,25 2,81 - 1,60 3,02 2,14 2,55 2,90 - 0,57 0,45 1,65
- 0.26 - 0.49 - 0.46 - 0.31 - 0.42 - 0.57 - 0,82 0,03 0,52 - 0.88 - 1.05 - 0,66 0,52 - 0.30 - 1.00 - 0.86 - 0.62 - 0,40 0,45 - 1.10
- 0.03 - 0.34 - 0.37 - 0.31 - 0,19 - 0.52 - 0,80 0,03 0,53 - 0.86 - 0.92 - 0,61 0,47 - 0.30 - 0.79 - 0.74 - 0.56 - 0,73 0,45 - 1.09
- 0.63 - 0.03 - 1.55 - 0,32 0,28 0,47 0,07 1,28 - 0.87 - 0,31 0,19 - 0.01 - 1.06 - 0,30 0,04 0,16 - 0.04 - 0.34 - 2,02 0,07
0.00 - 0.42 - 0,41 2,43 - 0.55 - 0.01 - 0,59 0,30 0,53 - 0.09 - 0,76 - 0,59 0,74 - 0.30 - 1.28 - 1.20 - 0,81 0,04 0,45 - 1.71
2,03 2,20 0,41 - 0,31 2,67 1,38 1,32 - 0,33 0,53 1,49 0,91 0,34 - 0,81 - 0,30 1,16 0,45 - 0,03 2,61 0,45 0,34
- 1.02 - 0,89 0,33 - 0.31 - 0.57 - 0.74 - 0.11 - 0,48 0,53 0,66 - 0.51 - 0,42 0,80 - 0.30 - 0.12 - 0,19 - 0,14 0,15 0,45 1,12
- 0.63 - 0.03 - 1.55 - 0,32 0,28 0,47 0,07 1,28 - 0.87 - 0,31 0,19 - 0.01 - 1.06 - 0,30 0,04 0,16 - 0.04 - 0.34 - 2,02 0,07
- 0.35 - 0,56 1,40 - 0.31 - 0.64 - 1.80 - 0,71 - 0,73 0,54 - 1.25 - 0.68 - 0,57 0,44 - 0.30 - 0,71 - 0,19 - 0,27 0,27 0,45 0,50
1,69 1,03 1,32 1,84 0,62 1,77 2,27 - 1,62 0,53 1,89 0,77 0,23 - 0.07 - 0,30 0,52 0,42 - 0,02 0,56 0,44 0,47
- 0.48 - 0,58 1,17 - 1.24 - 0,77 - 0,38 0,22 - 1,12 0,53 0,31 - 0.39 - 0,52 1,64 - 0,30 0,01 - 0.54 - 0.35 - 1,25 0,45 - 0.32
2.44 2.44
1.44 1.44
Ent
z [ SDU]
z [ SDU]
M
SDU]
SDU]
•[
- 0.56 - 0.56
- 1.56 - 1.56
Δ θ [°] Δθ [°]
Para este propósito, cada movimiento se representa en un espacio n-dimensional Υ. Durante dos músculos, extraemos dos
características de la señal de bíceps y otro para el tríceps, y el espacio Υ tendrá cuatro dimensiones. Un punto en este espacio
representa un movimiento, flexión fl o extensión.
La estrategia para seleccionar el mejor par de características se basa en la maximización de la distancia euclídea entre fl
exión y puntos de extensión. Durante un par de características ( F 1, ˆF 2), para
Fˆ 1 6 = ˆ F 2, esta función satisface:
( (2 ) )
Σ ( F ext ) 2
( F 1, ˆF 2) = argmax min F yo -F e fl F yo
(1)
F 1, F 2
i=1
dónde F ext F yo y F e fl F yo denotan los valores de la yo º función de extensión y flexión fl, respectivamente.
Como resultado del criterio propuesto (1), la pareja (Ent, MF) muestra la mejor idoneidad entre todas las características introducidas
anteriormente.
F en dos categorías z l ∈ {- 1, 1}. El método separa las categorías utilizando un subconjunto F ' como
2 El sudor y la fatiga del sujeto, el desplazamiento de los electrodos de registro, perturbaciones térmicas, entre otros.
datos de entrenamiento para calcular un hiperplano óptimo entre ellos. el subconjunto F ' está compuesta por
q muestras denominados vectores de soporte F ' q.
En este estudio, el grupo de muestras F se compone de las características seleccionadas (MF y Ent) extraídos de los bíceps
y de los tríceps señales de EMG. En consecuencia, cada miembro de F se define como [ F] l = F l = [ Ent ( y bi), MF ( y bi), Ent ( y tr), MF ( y tr)] donde
el índice l es el número de juicio. Además, el F ' está compuesto por tres elementos de F. Teniendo en cuenta que una separación
lineal no es posible, se propone la utilización de una SVM no lineal classi er fi, en el que se obtiene el hiperplano óptimo
resolviendo el siguiente problema de programación cuadrática [9]:
1 2 marido T h + doΣ
metro
( marido T Θ ( F ' q) + γ) ≥ 1 - [ κ] q y [ κ] q ≥ 0 para q = 1, . . . , m ( 2)
min [ κ] q st z q
marido, segundo, κ
q=1
dónde β q denota el coe fi cientes de Lagrange [8], K ( F ' q, F l) es la función de base radial núcleo 3
y σ es un parámetro positivo asociado con el radio.
Posteriormente, aplicamos la función de decisión Ψ ( F l) a los elementos de F que no han sido utilizados como vectores de
soporte, y comparar el resultado con el correspondiente z l que son conocidos. Si el resultado de la coincidencia con la función de
decisión z l, entonces la clasificacion es correcta.
dónde δ (.) es la función de Dirac (es igual a uno si su argumento es cero e igual a cero en otro lugar).
Ejecutamos la SVM se ha definido por las ecuaciones (2) y (3), utilizando tres vectores de soporte, a continuación, se aplica
el criterio (4). Nos encontramos que el valor óptimo no es única. La Fig. 4 muestra la relación entre C, σ y el porcentaje de clasi
fi; la zona roja es la zona óptima donde el porcentaje clasificacion alcanzar el 100%. Por lo tanto, hay que denota que la
clasificación fi er identi fi ca los movimientos del primer sujeto aunque los vectores de soporte se basa en las características
extraídas de la señal de los sujetos dos y tres; la prueba se realiza con todas las materias.
Por último, añadimos AWZMGN al conjunto original de las señales EMG utilizando 1000 Monte Carlo ensayos para los valores Erent
di ff de relación señal a ruido (SNR). Posteriormente, utilizamos las señales divulgó que el nuevo conjunto de muestras F y realizamos la
clasificacion SVM describe en la sección 4.1. Logramos un porcentaje clasificación de los 99,79% para una SNR de 37,5 dB.
5. Conclusiones
En este trabajo, se analiza la relación entre las señales de EMG de los bíceps y tríceps para Exion y extensión movimientos fl del
codo. Un nuevo método para evaluar y seleccionar las mejores características se presenta para la clasificación de las los
movimientos. Un criterio se define para seleccionar las mejores características asociadas con el movimiento.
La prueba realizada con el algoritmo SVM no lineal, utilizando sólo 13,63% de los datos enteros como datos de
entrenamiento, nos permiten alcanzar un éxito clasi fi 100%. Para un nuevo sujeto y después de añadir simulado AWZMGN, la
clasi fi cación alcanzar un porcentaje de 99,79%. Por lo tanto, el método propuesto para analizar señales de EMG es ciente e fi
y robusto.
Expresiones de gratitud
Expresamos nuestro agradecimiento a los Universit'e París Lumi`eres para el apoyo financiero a través de la PROMAIN
proyecto, ya la COGITOBIO empresa en la que se han realizado los experimentos.
referencias
[1] Reaz, MBI y Hussain, MS y Mohd-Yasin, F., Técnicas de análisis de la señal EMG: detección,
procesamiento, clasi fi cación y aplicaciones, Procedimientos biológicos en línea, vol. 8, 2006, pp. 11-35. [2] Alkan, A. y Gnay, M., La identificación de
señales de EMG utilizando análisis discriminante y SVM clasi fi er, Experto
Los sistemas con Aplicaciones, vol. 39, 2012, pp. 44-47. [3] Oskoei, MA y Huosheng, H. Esquema fi cación Classi basados en máquinas de vectores de
soporte para el Control de Myoelectric
Aplicado a la de las extremidades superiores, IEEE Transactions on Biomedical Engineering, vol. 55 2008, pp. 1956-1965. [4] Naik, GR y Kumar, DK y
Jayadeva, J., Doble SVM para Gesture Clasi fi cación utilizando la superficie
electromiograma, IEEE Transactions on Tecnología de la Información en Biomedicina, vol. 14, 2010, pp. 301-308. [5] Wang, N. y Chen, Y. y Zhang, X., El
reconocimiento de multi-fi posturas dedo prensil usando LDA,
Procesamiento Biomedical señales y de mando, Vol. 8 2013, pp. 706-712. [6] Kamavuako, EN y Farina, D. y Yoshida, K. y Jensen, W., Relación entre la
fuerza de agarre y
características de señales intramuscular EMG de un solo canal, Journal of Neuroscience Methods, Vol. 185, 2009, pp 143-150.
[7] Ali, A. y Sundaraj, K. y Ahmad, RB y Ahamed, NU y Islam, A., electromiografía de superficie para
la evaluación de las actividades musculares tríceps braquial: Una revisión de la literatura, Biocibernética e Ingeniería Biomédica, vol. 33, 2013, pp.
187-195. [8] Liu, Q. y Zhao, X. y Hou, Z., aprendizaje métrica para eventos relacionados con el componente potencial clasi fi cación en
señales de EEG, Actas de la 22ª Conferencia Europea de procesamiento de señales (EUSIPCO), 2014, Lisboa, Portugal, pp. 2005-2009. [9]
Chamasemani, FF y Singh, YP, Multi-clase Vector Machine apoyo fi cadores (SVM) Clasi - Una Aplicación
en la detección de hipotiroidismo y Clasi fi cación, Sexta Conferencia de Computación Bio-Inspirado:. Theroies y aplicaciones, IEEE 2011, Penang,
Malasia, pp 351-356.