Modelo adaptativo baseado em sensor virtual para eletromiografia de superfície com sistema de classificação tolerante a falhas

Abstract

Apenas alguns sistemas de controle protético na literatura científica são baseados em algoritmos de reconhecimento de padrões, os quais são adaptados às mudanças que ocorrem no sinal mioelétrico ao longo do tempo, e, frequentemente, tais sistemas não são naturais e intuitivos. As mudanças no sinal mioelétrico são alguns dos vários desafios para as próteses mioelétricas serem amplamente utilizadas. O conceito do sensor virtual, que tem como objetivo fundamental estimar medidas indisponíveis por trás de outras medidas disponíveis, vem sendo utilizado em outras áreas de pesquisa. O sensor virtual aplicado à eletromiografia de superfície (sEMG) pode ajudar a minimizar esses problemas, tipicamente relacionados à degradação do sinal mioelétrico, os quais geralmente provocam uma diminuição na taxa de acerto da classificação dos movimentos por sistemas de inteligência computacional. A principal contribuição deste trabalho é o desenvolvimento de um sistema de classificação de movimentos tolerante a falhas, o qual utiliza o conceito de sensores virtuais para reduzir o impacto de degradação de sinais de sEMG. A segunda contribuição é um modelo do sinal de sEMG dinâmico e adaptativo para o sensor virtual, o qual produz um modelo de saída de sinal independente da aquisição física do sinal de interesse. A modelagem do sinal de sEMG é projetada de forma a combinar os conceitos de multicanais e sua correlação cruzada, além de utilizar um sistema de ajuste dos coeficientes de correlação, a fim de substituir os canais de sinais degradados Dois modelos são avaliados e detalhados: Time-Varying Autoregressive Moving Average (TVARMA) e o Time- Varying Kalman Filter (TVK). A terceira contribuição é a combinação de uma análise e detecção da contaminação do sinal realizada por um sensor de detecção tolerante a falhas (Sensor Fault-Tolerant Detector – SFTD). Os resultados da classificação dos movimentos foram apresentados comparando as técnicas usuais de classificação com o método da substituição do sinal degradado e um processo de retreinamento do classificador simplificado. Os resultados foram avaliados para cinco tipos de ruído em 16 estudos de caso da degradação dos canais de sEMG. O sistema adaptativo proposto sem o uso de técnicas de retreinamento do classificador recuperou a taxa de acerto média de classificação em até 46% para os ruídos de deslocamento de eletrodos e de saturação. Devido às limitações do sistema proposto quanto aos ruídos de artefato de movimento, de interferência de linha de energia e ECG, o sistema apresentado pode ser utilizado como uma técnica complementar com outras técnicas de classificação para aumentar o impacto clínico da prótese mioelétrica. Entretanto, o sistema ainda requer uma análise quanto a diferentes níveis de SNR antes de uma otimização do algoritmo. Além disso, o modelo TVARMA do sensor virtual obteve uma taxa de acerto média superior em comparação ao modelo TVK na maioria das situações avaliadas neste trabalho.

Nowadays, only a few prosthetic control systems in the scientific literature are founded on pattern recognition algorithms adapted to changes that occur in the myoelectric signal over time and, frequently, such systems are not natural and intuitive. These are some of the several challenges for myoelectric prostheses for everyday use. The concept of the virtual sensor, which has as its fundamental objective to estimate unavailable measures based on other available measures, is already being used in other fields of research. The virtual sensor technique applied to surface electromyography (sEMG) can help to mitigate these problems, typically related to the degradation of the myoelectric signal that usually leads to a decrease in the classification accuracy of the movements characterized by intelligent computational systems. Therefore, the main contribution of this work is the Fault-Tolerant Classification System, that was developed using the concept of virtual sensors to reduce the degradation impact of sEMG signals. The second contribution is a dynamic and adaptive virtual sensor model, which produces a signal output model independent of the physical acquisition of the interest signal. The sEMG signal modeling was designed to combine multichannel concepts and their cross-correlation, in addition to the use of the correlation coefficient adjustment system to replace degraded signal channels. Two models were evaluated and detailed: Time-Varying Autoregressive Moving Average (TVARMA) and Time-Varying Kalman Filter (TVK) The third contribution is the analysis and detection of signal contamination by a Sensor Fault-Tolerant Detector (SFTD). The classification results of the movements were compared to the traditional classification techniques, the classification with the degraded signal replacement method and a simplified retraining process of the classifier. The results were evaluated for five noise types in 16 case studies of the sEMG channels degradation. The adaptive system proposed, without the classifier re-training techniques, was able to recover 46% of the mean classification accuracy for the electrodes displacement and saturation noise. Moreover, the proposed system can be used as a complementary technique with other classification techniques to increase the clinical impact of the myoelectric prosthesis since there are still limitations in the proposed method regarding the movement artifact noise, power line, and ECG interference. However, the system still requires an analysis of different SNR levels before the algorithm optimization. Also, the TVARMA model of the virtual sensor obtained a higher classification accuracy compared to the TVK model in most of the evaluated situations.