Optimización y clasificación de señales EMG a través de métodos de reconocimiento de patrones
Abstract
Este artículo presenta un estudio basado en la optimización de la respuesta de un electromiógrafo a través de algunas técnicas utilizadas para el trata- miento, análisis y procesamiento de señales electro- miográficas superficiales, con el fin de proporcionar una herramienta útil como estrategia para el diagnóstico y pronóstico de cuadro clínico de enfermedades muscula- res (Por ejemplo, para pacientes con pie caído).
Los datos fueron obtenidos a partir de la información de pacientes que fueron diagnosticados previamente por fisiatras, de los cuales 7 eran sanos y 5 pacientes mos- traron neuropatía de pie caído.
Un conjunto de señales electromiográficas fueron ad- quiridas y almacenadas durante el movimiento de dorsi- flexión en una posición supina a partir del músculo tibial anterior en cada paciente. Luego estas señales fueron procesadas mediante técnicas de extracción caracterís- tica y métodos de reconocimiento de patrones para la clasificación de las mismas.
Para el pre-procesamiento de las señales electromio- gráficas se emplearon métodos en tiempo y frecuencia, como la transformada de Fourier y, a su vez, técnicas como el Análisis de Componentes Principales (PCA) y redes neuronales artificiales (es decir, MLP y PNN), que permiten representar en forma gráfica los resultados obtenidos en un plano bidimensional y mejorar de esta forma el porcentaje de clasificación.
Los resultados obtenidos describen un sistema electro- miógrafo, el cual fue optimizado mediante la implemen- tación de métodos de reconocimiento de patrones, se alcanzó un porcentaje de acierto de hasta el 100 % en la clasificación de señales EMG por medio de electrodos superficiales.
Downloads
References
[2] K. K. Jung, J. W. Kim, H.K. Lee, S.B. Chung, K.H. Eom, “EMG pattern classification using spectral estimation and neural network” 2007, SICE Annual Conference pp. 1108 – 1111.
[3] T. Doherty, Z. Simmons, B. O’Connel, K. Felice, R. Conwit, K. Ming Chan, T. Komori, T. Brown, D. Stashuk, and W. Brown “Methods for Estimating the Numbers of Motor Units in Human Muscles”, 1995, Journal of Clinical Neurophysiology, Vol.12, pp.:565-84.
[4] A. Hamilton-Wright, D.W. Stashuk, “Physiologically based simulation of clinical EMG Signals”, 2005, Biomedical Engineering, IEEE Transactions on, Vol.: 52, Issue: 2, pp. 171 – 183.
[5] G. Cometti, Métodos modernos de musculación, Editorial Paidotribo, cuarta edición, 2005.
[6] C. Durán, A. Jaimes, “Diseño de un registrador electromiográfico de superficie para cuantificar unidades motoras en la enfermedad del pie Caído” Revista: Revista Colombiana de Tecnologías de Avanzada, Vol 2, No. 1, pp. 57 – 62, 2010.
[7] Normativa SENIAM (Surface ElectroMyoGraphy for the Non-Invasive Assessment of Muscles, online, Available, http://www.seniam. org//.
[8] M. Reaz, M. Hussain, F. Mohd-Yasin. “Techniques of EMG signal analysis; Detection, processing, classification and applications”, Biological Procedures, Vol.8, 1, pp.163, 2006.
[9] D. R. Rogers, T. Dawn. Isaac. M, “EMG-based muscle fatigue assessment during dynamic contractions using principal component analysis” Journal of Electromyography and Kinesiology, Vol. 21, Issue 5, pp.811-818, October 2011.
[10] K. Kiatpanichagij, N. Afzulpurkar, “Use of supervised discretization with PCA in wavelet packet transformation-based surface electromyogram classification”, 2009, Biomedical Signal Processing and Control, Vol. 4, Issue 2 pp.127–138, April 2009.
[11] S.Park, J.H.Na, J.Y.Choi, “PCA-based feature extraction using class information Myoung, Systems”, Man and Cybernetics, 2005 IEEE International Conference on, Vol.: 1, pp. 341 – 345.
[12] I.B.V. Da Silva, P.J.L, Adeodato, “PCA and Gaussian noise in MLP neural network training improve generalization in problems with small and unbalanced data sets” 2011, Neural Networks (IJCNN), The 2011 International Joint Conference , pp. 2664 – 2669.
[13] W. Yu, H. Yamaguchi, H.Yokoi, M. Maruishi, Y.Mano, Y.Kakazu, “EMG automatic switch for FES control for hemiplegics using artificial neural network”, Robotics and Autonomous Systems, Vol. 40, Issues 2–3, pp. 213-224, 31 Aug 2002.
[14] Y.l Özbay, G. Tezel,” A new method for classification of ECG arrhythmias using neural network with adaptive activation function”, Digital Signal Processing, Vol. 20, Issue 4, pp. 1040-1049, July 2010.
[15] K. Liang, W.Chen. “Fast adaptive PNN-based thresholding algorithms, Pattern Recognition”, Vol. 36, Issue 12, pp. 2793-2804, December 2003.
[16] H.C.Dubey, Nandita, A.K. Tiwari, “Blind modulation classification based on MLP and PNN, 2012 in Engineering and Systems (SCES), Students Conference, pp: 1-6.
