Conversión EMG-Ángulo

(DOF)
• Las señales electromiográficas son un efecto de las señales
neuronales para controlar el deseo o la necesidad del movimiento en
una parte del Sistema locomotor del ser humano sobre el tejido
muscular.
• Para lograr esto(*) se han utilizado métodos relacionados al
reconocimiento de patrones (patter recognition) .
• Con limitantes muy pronunciadas.
Adquisición de señales y control de procesos por computadora
Operacion
Arreglo de
es para
Resultado
250
obtener
instancias
nuevos
por canal a
analizar
parametro Decisión seleccionada
s.

Amplitud de la señal
Resultado determinacion Vector de nuevos
cualitativa de movimiento parametros Duración del movimiento
por ciclo descriptores seleccionado.
Músculos involucrados
según la decisión
Eliminacio
seleccionada
n de las
Evaluación
varaibles
de modelo
secundaria Amplitud
Aplicar s
matriz de
transforma
cion

Mano
cerrada
Lo que se propone
• Articulo:
• Extracting Simultaneous and Proportional Neural Control Information
for Multiple-DOF Prostheses From the Surface Electromyographic
Signal
Sinergias musculares
• Es uno de los métodos propuestos para explicar el movimiento
generado por el sistema nervioso central en lugar del control
individual muscular de esta forma se reduciría la dimensionaliad del
control
• La existencia de sinergias musculares indica la existencia de múltiples
músculos (una sinergia) controlado por una misma señal neuronal
para generar un movimiento con diferentes grados de excitación.
Donde un movimiento involucra solo una articulación
Asumiendo que las uniones tienen N DOFs, se define el vector primitivo de unión (JPV) de esta
unión como P(t)
P(t)=[𝑝1(𝑡), 𝑝2(𝑡), … , 𝑝𝑁(𝑡)]𝑇
Esto representa el controlador neuronal de una particular DOF como una función del tiempo.
Ahora asumiendo que M músculos están involucrados en el movimiento de esta unión de todos
estos músculos como X(t):

X(t)= [𝑥1(𝑡), 𝑥2(𝑡), … , 𝑥𝑀(𝑡)]𝑇

Donde xi(t) es la función de activación (AF) del ith musculo.

 • La relación entre X(t) y P(t) es:

Donde S={sij} es una matriz M×N, y sij es el coeficiente de activación musculo ith sobre el DOF
jth.

Aquí es donde la sinergia es generada.

 suponiendo
• un electrodo es colocado el un lugar aislado para cada uno de los
músculos para detectar sus actividades y si el área de adquisición de
la señal es pequeña para que no haya cross-talk en la señal
• La señal EMG del musculo ith nombrado:

Donde gi(t) es el volumen conductor del tejido tisular entre el electrodo que registra y el musculo y * es el operador de la
convolución, el símbolo fi[xi(t)] representa la transformación no lineal de la función de activación de baja frecuencia, xi(t),
a la secuencia de disparo de las unidades motoras.
Esta es una muy compleja transformación , sin embargo como se muestra en la referencia 13 existe una
aproximación relacional lineal entre xi(t) y el valor medio cuadrático MSV de yi(t) denotado por y2i(t) :

Donde hi es una constante muscular dependiente.

el proceso de promediado para obtener el MSV es efectivamente una operación de filtrado de paso bajo, y su frecuencia
de corte es igual a la anchura de banda, fp, de P(t).
La mayor parte de este tipo de estudios emplean electrodos intramusculares donde el crosstalk no es
significativo . Esto , sin embargo, no es el caso para sEMG, donde cross-talk es significativo.

Consecuentemente, yi(t) in (4) no es valido , y en lugar, los L-canales de sEMG, nombrados

Z(t)=[z1(t),z2(t), ...,zL(t)], is :
Donde zij(t) es la contribución del musculo jth al totalidad de la señal sEMG detectado por el electrodo
ith.

gij(t) es el filtro tisular entre la posición hipotética donde yj(t) debería estar registrando (4) y la superficie del
electrodo ith. Ahora, el cuadrado de zi(t) es:

De esta ultima ecuacion es aparente que Z2(t) es una mezcla no lineal de la unions primitivas ,
P(t) como Y2(t) in (8). En lugar de esto, esto puede ser escrito como:
• Donde G(t) es una matriz L×M de filtros tisulares, y gij(t)es el
elemento sonbre la fila ith y la columna jth. En (11), T[•] es una
compleja transformación no lineal, en la cual una solución explicita de
P(t) es un difícil de obtener. Para resolver este problema , una red
neuronal artificial podría ser utilizada la cual puede aproximar
virtualmente cualquier función no lineal.
• Este problema en general no tiene solución sin embargo tal no
linealidad disminuye cuando las siguientes dos condiciones son
satisfechas:
• Cross-talk entre los canales sEMG es pequeño o Xm(t) y X(k) tienen baja
correlacion tal que la correlacion cruzada son despreciables
• El valor cuadrático medio (MSV) de la sEMG de un musculo es
aproximadamente lineal con respecto a su función de activación
• El llevar a cabo estas dos condiciones se reduce a una mezcla lineal

• 𝑍 2 𝑡 = H′ . S . F t = W. F(t)
• Donde H’={ℎ′𝑖𝑚 } es una matriz LxM
• W es igual a una amtrixz LxN
• Ahora para extraer F(t) (antes P(t)) de 𝑍෣2 𝑡 se resuelve a través de
un método de BSS lineal
• En este trabajo se propuso resolver el problema mediante una
algoritmo de separacion de fuentes semi supervisado
• Factorizacion de matrices no negativas (NMF) es una tecnica de
analisis de datos estadsitica multivariada
• Consderando una mezcla lineal donde unicamente se conoce 𝑍෣
2 𝑡
pero se sabe que W y F(t) están latentes

• El algoritmo NMF busca encontrar una solucion aproximada a la

ecuación solo con la restricción de que todos los elementos de la
ecuación son no negativos
 +
෣2 + − 𝑓𝑖 (𝑡)
• 𝑍𝑖 𝑡 = 𝑊𝑖 𝑊𝑖
𝑓𝑖− (𝑡)
• Donde 𝑍෣
2
𝑖𝑡 es el MSV de 𝑍෣ 2 𝑡 cuando solo el DOF ith es activado

• En este trabajo el único objetivo es observar cual grado de libertad es

activado
Que hicieron:
• Ellos simularon matematicamente 4 musculos y generaron
mediciones de electrodos especificos cercanos a los musculos
simulados teniendo encuenta todos los parametros evaluados
• Evaluaron dos grados de libertad (DOF)
•
 𝑓𝑖+ (𝑡)
Zi(t)= 𝑊𝑖+ 𝑊𝑖−
𝑓𝑖− (𝑡)
Se realiza prueba 1 únicamente
activando DOF1 conocido como
training

DOF 1
𝑊1+
𝑊1−
Lecturas de sEMG Que DOF es activado las
simuladas funciones de fuerza son las
que se comparan
DOF 2
𝑊2+
𝑊2−
Se realiza prueba 2 únicamente
activando DOF2 conocido como
training
A linear Model for simultaneously an
proportionally estimating wrist kinematics from
EMG
Se establece una función:
ANN y SVM se han utilizado para
𝑌 = 𝑓(𝑢) aproximar funciones modelo para
Y = posición del Angulo de la describir el comportamiento de los
muñeca datos.
U= Señal EMG superficial

En este trabajo se utiliza un modelo estados-espacio (state-space model)

x 𝑘 + 1 = 𝐴𝑥 𝑘 + 𝐵𝑢(𝑘)
𝑦 𝑘 = 𝐶𝑥(𝑘)

Donde ‘x’ es el vector de estados oculto

‘y’ es la representación del ángulo de la unión
‘u’ son las activaciones musculares
‘A’ es la matriz del sistema que representa la dinámica detrás del vector de estados oculto x.
‘B’ es la matriz que se asigna la señal de EMG de superficie u para el vector de estado x
‘C’ es la matriz que representa la relación entre la posición del ángulo de la muñeca ‘y’ y el vector x.
 Los modelos espacio estado fueron
identificadosusando el algoritmo n4sid el cual
es un metodo de subespacios para estimar los
modelos de espacio-estado
 Mi propuesta
• Modelo de regression lineal para comparer los resultados del articulo
pasado

15 movimientos
- mano cerrada
- Flexion del dedo indice
Seleccion tomada Modelo de regresión
- …
 Adquisición de señales y control de procesos por computadora
Operacion
Variable es para Resultado
nueva de obtener
250 nuevas
instancias caractersiti Decisión seleccionada
cas

Creacion
Amplitud de la señal
Resultado
de una Duración del movimiento
nueva
matriz seleccionado.
Músculos involucrados
según la decisión
Eliminacio
seleccionada
n de las
Evaluación
varaibles
de modelo
secundaria Amplitud
Aplicar s
matriz de
transforma
cion

Mano
cerrada Comparación entre:
Otros tres tipos de
Aplicación del modelo de regresión Predicción del ángulo control
para mano cerrada evaluado
Ideas para artículos
• Comparación estadística entre la varianza de las mediciones
electromiograficas de un pacientes.
• Clasificación de movimientos evaluados (articulo ya realizado).
• Clasificación de movimientos evaluados con modelos de regresión
para definir ángulos de movimiento de cada uno de los movimientos.