Un análisis comparativo experimental entre diferentes clasificadores aplicados para identificar la mano movimientos basados en sEMG
Las señales de la electromiografía (sEMG) se usan ampliamente en la investigación médica debido a que proporcionan información útil sobre las actividades musculares en el cuerpo humano
Un caso especial es el sEMG del antebrazo, que está directamente asociado con los diferentes movimientos de la mano
Metodología
El sistema consiste en analizar sEMG mediante el uso de diferentes clasificadores para detectar cinco movimientos de la mano del usuario. Las señales son proporcionadas por el dispositivo "Brazalete Myo" colocado en el cuerpo humano del antebrazo
Primera etapa
Segunda etapa
A través del sEMG adquirido de los sujetos de capacitación, se extraen características representativas para entrenar y validar los clasificadores propuestos.
Se utilizó un grupo de sujetos para evaluar los modelos de clasificadores.
Adquisición de la señal
Las señales son adquiridas por el sensor "Myo Armband", que es un dispositivo sEMG fabricado por Thalmic Labs. Consiste en un conjunto de ocho sensores secos de electromiografía que detectan la actividad eléctrica en los músculos del antebrazo, además tiene un giroscopio, acelerómetro y magnetómetro para detectar movimientos
Extracción de caracterísitcas
Mejora su rendimiento al combinar diferentes parámetros calculados en
series de tiempo como: MAV, RMS, VAR, STD.
Clasificadores
Se entrenaron cuatro métodos de clasificación para detectar
las cinco clases de movimientos:
Redes neuronales
Máquinas de vectores de soporte
Clasificador Naive Bayes
Análisis discriminante lineal
La información modificada por los factores multiplicativos de los pesos en cada neurona se transmite hacia adelante y pasa a través de las capas ocultas en caso de que exista, para finalmente ser procesada por la capa de salida.
Se basa en identificar la posición de cada elemento en un vector de entrada en un espacio n-dimensional con un Número de características.
Tiene que calcular la media y la desviación estándar en orden para obtener un modelo probabilístico a través de un conjunto de entrenamiento de datos. Esta técnica tiene un enfoque probabilístico basado en el teorema de Bayes.
Se utiliza para el reconocimiento de patrones, basada en la regla de Bayes, que es un método probabilístico basado en, la regla de clasificación de Bayes se puede establecer donde un vector puede ser asignado a clase cuando se satisface la siguiente desigualdad
Validación de datos
Se realizó a través de K-fold validación cruzada técnica, que se utiliza para evaluar la precisión del algoritmo de clasificación al dividir la muestra original en conjuntos de entrenamiento, para entrenar el modelo, y un conjunto de pruebas para evaluarlo.
Resultados
Se calcula la precisión de entrenamiento de los clasificadores para K = 10, se lleva a cabo la fase de prueba, con ocho nuevos usuarios de los cuales se adquirió sEMG, 400 ventanas de tiempo de 100 ms cada una, 50 para cada usuario.
Finalmente se muestran los promedios de precisión de los cuatro clasificadores para los diferentes sujetos de prueba, observando que el mejor rendimiento está relacionado con los clasificadores SVM y LDA, mientras que el clasificador FFN tiene la precisión más baja para esta aplicación.
Conclusiones
Los resultados experimentales muestran que Support Vector Classifier y Linear Discriminant Analysis tienen el mejor rendimiento para detectar los movimientos de la mano propuestos en este documento
Se ha observado que todos los clasificadores presentan inconvenientes en la detección del movimiento de flexión manual, con un promedio de detección del 59,45%
debe al hecho de que este movimiento se asemeja al movimiento de la mano abierta ya que ambos movimientos exhiben una actividad muscular similar