medigraphic.com
ISSN 2992-779X (Digital)
ISSN 2007-6452 (Impreso)

2024, Número 1

<< Anterior Siguiente >>

Investigación en Discapacidad 2024; 10 (1)


Metodología para la identificación de músculos en el reconocimiento de gestos mediante métodos de aprendizaje automático

González-Mendoza A, Quiñones-Urióstegui I, Pérez-Sanpablo AI, López-Gutiérrez R, Alessi-Montero A, Fuentes-Álvarez R, Hernández-Hernández J, Salazar-Cruz S, Lozano R

Idioma: Ingles.
Referencias bibliográficas: 33
Paginas: 29-41
Archivo PDF: 425.13 Kb.


RESUMEN

Las interfaces hombre-máquina (HMI) pueden utilizar señales de electromiografía de superficie (sEMG) para controlar equipos que ayudan a personas con discapacidad en sus actividades de la vida diaria. El uso de señales sEMG en HMI es actualmente objeto de numerosas investigaciones, sin embargo, uno de los inconvenientes de dichas investigaciones es que no se tienen en cuenta que las cargas de peso afectan directamente a las señales sEMG, ni las velocidades de movimiento, ni el posicionamiento de los electrodos y ni un criterio para seleccionar las características sEMG, con el objeto de obtener la clasificación de los movimientos, y con ello el mejor rendimiento en una HMI. Por ello, la principal contribución del artículo es la presentación de una metodología que permita identificar los músculos y las características que tienen mayor contribución en el reconocimiento de gestos basado en sEMG, considerando el posicionamiento de los electrodos y evitando movimientos compensatorios. Algunas contribuciones adicionales de este artículo destacan cómo las cargas afectan a las señales sEMG y cómo se utiliza el análisis de componentes principales para determinar las mejores características sEMG para la clasificación de gestos. Se compararon 17 modelos de clasificación de aprendizaje automático para clasificar cuatro movimientos de las extremidades superiores basados en árboles de decisión, máquinas de vectores de apoyo, k-Nearest Neighbors y modelos de clasificación de métodos ensamblados. Los resultados muestran que la integral cuadrática de la señal y las características de frecuencia media de sEMG permiten a los clasificadores obtener una precisión superior al 90%.


REFERENCIAS (EN ESTE ARTÍCULO)

  1. Ivanov AV, Skripnik T. Human-machine interface with motion capture system for prosthetic control", 2019 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (EIConRus), Saint Petersburg and Moscow, Russia, 2019, pp. 235-239, doi: 10.1109/EIConRus.2019.8657282.

  2. Wu Y, Jiang D, Liu X, Bayford R, Demosthenous A. A Human-machine interface using electrical impedance tomography for hand prosthesis control. IEEE Trans Biomed Circuits Syst. 2018; 12 (6): 1322-1333. doi: 10.1109/TBCAS.2018.2878395.

  3. Ai Q, Liu Q, Meng W, Xie SQ. Chapter 2-state-of-the-art. In: Ai Q, Liu Q, Meng W, Xie SQ, eds. Advanced rehabilitative technology. academic press; 2018, pp. 11-32. doi: https://doi.org/10.1016/B978-0-12-814597-5.00002-3.

  4. Sinyukov DA, Troy KL, Bowers MP, Padir T. 13 - Wheelchairs and Other Mobility Assistance. In: Popovic MB, ed. Biomechatronics. Academic Press; 2019: 373-417. doi: https://doi.org/10.1016/B978-0-12-812939-5.00013-6.

  5. Zhang Z, Yang K, Qian J, Zhang L. Real-time surface EMG pattern recognition for hand gestures based on an artificial neural network. Sensors (Basel). 2019; 19 (14): 3170. doi: 10.3390/s19143170.

  6. Rose CG, Pezent E, Kann CK, Deshpande AD, O'Malley MK. Assessing wrist movement with robotic devices. IEEE transactions on neural systems and rehabilitation engineering. 2018; 26 (8): 1585-1595. doi: 10.1109/TNSRE.2018.2853143.

  7. Mahdavi FA, Ahmad SA. Surface electromyography feature extraction based on wavelet transform. International Journal of Integrated Engineering. 2013; 4 (3): 1-7.

  8. Said S, Boulkaibet I, Sheikh M, Karar AS, Alkork S, Nait-ali A. Machine-Learning-Based Muscle Control of a 3D-Printed Bionic Arm. Sensors. 2020; 20 (11): 3144. doi: 10.3390/s20113144.

  9. Shaw L, Bagha S. Online emg signal analysis for diagnosis of neuromuscular diseases by using PCA and PNN. Int J Eng Sci. 2012; 4 (10): 4453-4459.

  10. Alam MS, Arefin AS. Real-time classification of multi-channel forearm EMG to recognize hand movements using effective feature combination and LDA classifier. Bangladesh Journal of Medical Physics. 2018; 10 (1): 25-39. doi: 10.3329/bjmp.v10i1.39148.

  11. She H, Zhu J, Tian Y, Wang Y, Yokoi H, Huang Q. SEMG feature extraction based on stockwell transform improves hand movement recognition accuracy. Sensors (Basel). 2019; 19 (20): 4457. doi: 10.3390/s19204457.

  12. Daud WMBW, Yahya AB, Horng CS, Sulaima MF, Sudirman R. Features extraction of electromyography signals in time domain on biceps brachii muscle. International Journal of Modeling and Optimization. 2013; 3 (6): 515-519. doi: 10.7763/ijmo.2013.v3.332.

  13. Phinyomark A, Phukpattaranont P, Limsakul C. Feature reduction and selection for EMG signal classification. Expert Syst Appl. 2012; 39: 7420-7431.

  14. Chu JU, Lee YJ. Conjugate-prior-penalized learning of Gaussian mixture models for multifunction myoelectric hand control. IEEE Trans Neural Syst Rehabil Eng. 2009; 17 (3): 287-297. doi: 10.1109/tnsre.2009.2015177.

  15. Yoshikawa M, Mikawa M, Tanaka K. A myoelectric interface for robotic hand control using support vector machine. In: 2007 IEEE/RSJ International Conference on Intelligent Robots and Systems. San Diego, CA, USA, 2007, 2723-2728. doi: 10.1109/IROS.2007.4399301.

  16. Kurzynski M, Zolnierek A, Wolczowski A. Control of bio-prosthetic hand via sequential recognition of EMG signals using rough sets theory. Advances in Intelligent and Soft Computing. 2009; 57: 455-462. doi: 10.1007/978-3-540-93905-4_54.

  17. Atzori M, Gijsberts A, Castellini C, et al. Electromyography data for non-invasive naturally-controlled robotic hand prostheses. Sci Data. 2014; 1: 140053. doi: 10.1038/sdata.2014.53.

  18. McDonald CG, Sullivan JL, Dennis TA, O'Malley MK. A Myoelectric control interface for upper-limb robotic rehabilitation following spinal cord injury. IEEE Transactions on Neural Systems and Rehabilitation Engineering. 2020; 28 (4): 978-987. doi: 10.1109/TNSRE.2020.2979743.

  19. Sun H, Zhang X, Zhao Y, Zhang Y, Zhong X, Fan Z. A novel feature optimization for wearable human-computer interfaces using surface electromyography sensors. Sensors (Basel). 2018; 18 (3): 869. doi: 10.3390/s18030869.

  20. Aziz S, Khan MU, Aamir F, Javid MA. Electromyography (EMG) data-driven load classification using empirical mode decomposition and feature analysis. undefined. 2019 International Conference on Frontiers of Information Technology (FIT), Islamabad, Pakistan, [Published online December 1], 2019, 272-277. doi: 10.1109/FIT47737.2019.00058.

  21. Li W, Shi P, Yu H. Gesture recognition using surface electromyography and deep learning for prostheses hand: state-of-the-art, challenges, and future. Front Neurosci. 2021; 15: 621885. doi: 10.3389/FNINS.2021.621885/BIBTEX.

  22. Von Werder SCFA, Disselhorst-Klug C. The role of biceps brachii and brachioradialis for the control of elbow flexion and extension movements. J Electromyogr Kinesiol. 2016; 28: 67-75. doi: 10.1016/j.jelekin.2016.03.004.

  23. Stegeman D, Hermens H. Standards for surface electromyography: the European project Surface EMG for non-invasive assessment of muscles (SENIAM). 2007; 1.

  24. Perotto A, Delagi EF. Anatomical guide for the electromyographer: the limbs and trunk. Charles C Thomas; 2005. Available in: https://books.google.com.mx/books?id=uwos8W4HiQ8C

  25. Point N. Baseline Upper Body (25). 29 March. Published 2016. Available in: https://v20.wiki.optitrack.com/index.php?title=Baseline_Upper_Body_(25)

  26. Seth A, Hicks JL, Uchida TK, et al. OpenSim: Simulating musculoskeletal dynamics and neuromuscular control to study human and animal movement. PLoS Comput Biol. 2018; 14 (7): e1006223. doi: 10.1371/journal.pcbi.1006223.

  27. González-Mendoza A, Lopéz-Gutierrez R, Pérez-SanPablo AI, et al. Upper limb musculoskeletal modeling for human-exoskeleton interaction. In: 2019 16th International Conference on Electrical Engineering, Computing Science and Automatic Control (CCE). 2019, 1-5. doi: 10.1109/ICEEE.2019.8884537.

  28. Phinyomark A, Hirunviriya S, Limsakul C, Phukpattaranont P. Evaluation of EMG feature extraction for hand movement recognition based on Euclidean distance and standard deviation. In: ECTI-CON2010: The 2010 ECTI International Conference on Electrical Engineering/Electronics, Computer, Telecommunications and Information Technology, Chiang Mai, Thailand, 2010, 856-886.

  29. Kaczmarek P, Ma?kowski T, Tomczy?ski J. putEMG-A Surface electromyography hand gesture recognition dataset. Sensors (Basel). 2019; 19 (16): 3548. doi: 10.3390/s19163548.

  30. MATLAB. version 9.12.0.1927505 (R2022a). Published online 2022.

  31. Powers DMW, Ailab. Evaluation: from precision, recall and F-measure to ROC, Informedness Markedness & correlation. Journal of Machine Learning Technologies. 2011; 2 (December): 37-63. http://www.bioinfo.in/contents.php?id=51

  32. Braza DW, Yacub Martin JN. Upper limb amputation. essentials of physical medicine and rehabilitation: musculoskeletal disorders, pain, and rehabilitation. Published online August 8, 2023: 651-657. doi: 10.1016/B978-0-323-54947-9.00119-X.

  33. Liu Y, Li C, Jiang D, et al. Wrist angle prediction under different loads based on GA-ELM neural network and surface electromyography. Concurr Comput. 2022; 34 (3): e6574. doi: 10.1002/CPE.6574.




2020     |     www.medigraphic.com