Selección de características usando el algoritmo LEM para la clasificación de señales EMG

Contenido principal del artículo

Juan Camilo Londoño Lopera
Juan Pablo González Alzate
Esteban Camilo Lage Cano
Mónica Ayde Vallejo Velasquez
Juan Fernando Ramírez Patiño

Resumen

En las aplicaciones médicas, la amputación de un brazo o la ausencia de un miembro del cuerpo inspira los avances tecnológicos en el área de la robótica para la creación deprótesis inteligentes que sustituyen y recuperan un porcentaje de la funcionalidad del miembro ausente de una persona. Una de las bases más importantes para el desarrollode las extremidades robóticas es el análisis y estudio de las señales EMG (señales electromiográficas de superficie). Las señales EMG proporcionan información sobre la dinámica de un músculo en sus diferentes estados y proporcionan valores de amplitud y frecuencia que describen el movimiento, la contracción y el descanso de un músculo. Para una señal EMG, existen características representativas como el valor RMS, el Histograma, la desviación estándar, entre otras funciones que permiten caracterizar una señal dada en el dominio del tiempo y la frecuencia. El objetivo es comparar los enfoques y características más utilizados de las señales EMG para diferenciar entre las diferentes señales que representan gestos o movimientos de la mano.

Detalles del artículo

Sección
Artículos Vol. 10-2
Biografía del autor/a

Juan Camilo Londoño Lopera

Universidad Nacional de Colombia Medellín, Colombia

Juan Pablo González Alzate

Universidad Nacional de Colombia Medellín, Colombia

Esteban Camilo Lage Cano

Universidad Nacional de Colombia Medellín, Colombia

Mónica Ayde Vallejo Velasquez

Universidad Nacional de Colombia Medellín, Colombia

Juan Fernando Ramírez Patiño

Universidad Nacional de Colombia Medellín, Colombia

Citas

Antfolk, C. Cipriani, M. Controzzi, M. C. Carrozza, G. Lundborg, B. Rosen, and F. Sebelius, “Using EMG for real-time prediction of joint ´ angles to control a prosthetic hand equipped with a sensory feedback system,” Journal of Medical and Biological Engineering, vol. 30, no. 6, pp. 399–406, 2010.

R. N. Khushaba, S. Kodagoda, M. Takruri, and G. Dissanayake, “Toward improved control of prosthetic fingers using surface electromyogram (EMG) signals,” Expert Systems with Applications, vol. 39, no. 12, pp. 10 731– 10 738, 2012.

A. Dellacasa Bellingegni, E. Gruppioni, G. Colazzo, A. Davalli, R. Sacchetti, E. Guglielmelli, and L. Zollo, “NLR, MLP, SVM, and LDA: A comparative analysis on EMG data from people with trans-radial amputation,” Journal of NeuroEngineering and Rehabilitation, vol. 14, no. 1, pp. 1–16, 2017.

Y. Du, W. Jin, W. Wei, Y. Hu, and W. Geng, “Surface EMG-based inter-session gesture recognition enhanced by deep domain adaptation,” Sensors (Switzerland), vol. 17, no. 3, pp. 6–9, 2017.

V. K, P. LS, N. SN, and P. S, “Development of Surface-EMG Based Single Finger Movement Identification and Control for a Bionic Arm,” Journal of Bioengineering & Biomedical Science, vol. 08, no. 01, pp. 1–5, 2018.

V. Kehri, R. Ingle, R. Awale, and S. Oimbe, “Techniques of EMG signal analysis and classification of neuromuscular diseases,” vol. 137, pp. 485– 491, 2017.

H. F. Hassan, S. J. Abou-Loukh, and I. K. Ibraheem, “Teleoperated robotic arm movement using electromyography signal with wearable Myo armband,” Journal of King Saud University - Engineering Sciences, no. xxxx, 2019. [Online]. Available: https://doi.org/10.1016/j.jksues.2019.05.001

A. Phinyomark, P. Phukpattaranont, and C. Limsakul, “Feature reduction and selection for EMG signal classification,” Expert Systems with Applications, vol. 39, no. 8, pp. 7420–7431, 6 2012.

F. Riillo, L. R. Quitadamo, F. Cavrini, E. Gruppioni, C. A. Pinto, N. C. Pasto, L. Sbernini, L. Albero, and G. Saggio, “Optimization ` of EMG-based hand gesture recognition: Supervised vs. unsupervised data preprocessing on healthy subjects and transradial amputees,” Biomedical Signal Processing and Control, vol. 14, no. 1, pp. 117–125, 2014. [Online]. Available: http://dx.doi.org/10.1016/j.bspc.2014.07.007

U. Cotˆ e-Allard, C. L. Fall, A. Drouin, A. Campeau-Lecours, C. Gos- ´ selin, K. Glette, F. Laviolette, and B. Gosselin, “Deep Learning for Electromyographic Hand Gesture Signal Classification Using Transfer Learning,” IEEE Transactions on Neural Systems and Rehabilitation Engineering, vol. 27, no. 4, pp. 760–771, 2019.

P. Sattam and B. Abdulaziz, “Deep Learning of EMG Time – Frequency Representations for Identifying Normal and Aggressive Actions,” vol. 18, no. 12, pp. 16–25, 2018.

F. Gomez-Donoso, S. Orts-Escolano, and M. Cazorla, “Largescale multiview 3D hand pose dataset,” Image and Vision Computing, vol. 81, pp. 25–33, 2019. [Online]. Available: https://doi.org/10.1016/j.imavis.2018.12.001

R. Li, Z. Liu, and J. Tan, “A survey on 3D hand pose estimation: Cameras, methods, and datasets,” Pattern Recognition, vol. 93, pp. 251– 272, 2019.

A. Carf`ı, F. Foglino, B. Bruno, and F. Mastrogiovanni, “A multi-sensor dataset of human-human handover,” Data in Brief, vol. 22, pp. 109–117, 2019. [Online]. Available: https://doi.org/10.1016/j.dib.2018.11.110

S. Pizzolato, L. Tagliapietra, M. Cognolato, M. Reggiani, H. Muller, and ¨ M. Atzori, “Comparison of six electromyography acquisition setups on hand movement classification tasks,” PLoS ONE, vol. 12, no. 10, pp. 1–17, 2017.

J. S. Kim and S. B. Pan, “A Study on EMG-based Biometrics,” Journal of Internet Services and Information Security, vol. 2, no. May, pp. 19– 31, 2017.

J. F.-s. L. B, A.-a. Samadani, and D. Kuli, “Segmentation by Data Point Classification Applied to Forearm Surface EMG,” vol. 166, pp. 153–165, 2016. [Online]. Available: http://link.springer.com/10.1007/978-3- 319- 33681-7

A. Phinyomark and E. Scheme, “EMG Pattern Recognition in the Era of Big Data and Deep Learning,” Big Data and Cognitive Computing, vol. 2, no. 3, p. 21, 2018.

M. Atzori, A. Gijsberts, C. Castellini, B. Caputo, A. G. M. Hager, S. Elsig, G. Giatsidis, F. Bassetto, and H. Muller, “Electromyography ¨ data for non-invasive naturally-controlled robotic hand prostheses,” Scientific Data, vol. 1, pp. 1–13, 2014.

J. E. Goez Mora, J. C. Londono Lopera, and D. A. Pati ˜ no Cortes, ˜ “Automatic Visual Classification of Parking Lot Spaces: A Comparison Between BoF and CNN Approaches,” in Communications in Computer and Information Science, 2018, pp. 160–170. [Online]. Available: http://link.springer.com/10.1007/978-3- 030-00350-014

R. S. Michalski and L. Saitta, “Learnable Evolution Model: Evolutionary Processes Guided by Machine Learning,” Machine Learning, vol. 38, no. 1, pp. 9– 40, 2000. [Online]. Available: http://dx.doi.org/10.1023/A:1007677805 582.

G. Sheri and D. W. Corne, “The simplest evolution/learning hybrid: LEM with KNN,” in 2008 IEEE Cong.