Page Header
DOI: https://doi.org/10.15332/iteckne.v10i1.181

Optimización y clasificación de señales EMG a través de métodos de reconocimiento de patrones

Cristhian Manuel Durán Acevedo, Aylen Lisset Jaimes Mogollón

Abstract - 487 | PDF (Español (España)) - 134 DOC (Español (España)) - 18


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.





Keywords

EMG, FFT, MLP, PCA, pie caído, PNN, EMG, FFT, MLP, PCA, foot drop, PNN.

References


R.N. Khushaba, S. Kodagoda, M. Takruri, G. Dissanayake, “Toward improved control of prosthetic fingers using surface electromyogram (EMG) signals” Expert Systems with Applications, Vol. 39, Issue 12, pp.10731-10738, September 2012.

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.

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.

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.

G. Cometti, Métodos modernos de musculación, Editorial Paidotribo, cuarta edición, 2005.

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.

Normativa SENIAM (Surface ElectroMyoGraphy for the Non-Invasive Assessment of Muscles, online, Available, http://www.seniam. org//.

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.

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.

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.

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.

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.

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.

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.

K. Liang, W.Chen. “Fast adaptive PNN-based thresholding algorithms, Pattern Recognition”, Vol. 36, Issue 12, pp. 2793-2804, December 2003.

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.


Abstract - 487 | PDF (Español (España)) - 134 DOC (Español (España)) - 18

Refbacks

  • There are currently no refbacks.
ISSN: 1692-1798 (impreso)
ISSN: 2393-3483 (en línea)



Imagen