Métodos de segmentação automática de sinais de eletromiografia de superfície para classificação de movimentos utilizando redes neurais artificiais

Abstract

A segmentação de sinais de eletromiografia (EMG) é parte essencial da etapa de preprocessamento em aplicações de reconhecimento de movimentos e controle de próteses. Métodos de segmentação automática possibilitam a individualização de trechos de interesse do sinal correspondentes a esforços musculares e o descarte de trechos de sinal com baixa atividade muscular, por exemplo. Neste estudo, quatro métodos para segmentação automática de sinais de EMG de superfície, adaptados de outros trabalhos na área, foram propostos e implementados em MATLAB R2015a. Os métodos foram aplicados nos sinais da base de dados número 2 do projeto NinaPro (Non-Invasive Adaptive Prosthetics project) e nos sinais da base de dados adquiridos pelo Laboratório de Instrumentação Eletro-Eletrônica da UFRGS. Redes neurais artificais (RNA) foram utilizadas para classificar os sinais segmentados com os quatro métodos de segmentação entre 17 diferentes movimentos do segmento mão-braço. Resultados mostram ser possível utilizar segmentação automática baseada na detecção de picos com threshold para resultados de valor F médio de classificação acima de 91% entre diferentes classes de movimentos.

EMG signal segmentation is a key part of preprocessing in movement identification applications and prostheses control. Automatic segmentation methods allow for the separation of signal segments of interest due to muscular effort while discarding signal related to low muscular activity, for example. In this study, four different automatic segmentation methods for surface EMG signal are proposed, adapted from other works in the area, and written for MATLAB R2015a. The methods were applied to signals in the second NinaPro (Non-Invasive Adaptive Prosthetics project) database and signals that were acquired at the Electronic Instrumentation Laboratory (IEE) at UFRGS. Artificial neural networks (ANN) were designed for the classification of segmented signals with the four segmentation methods between 17 different hand and wrist movements. Results show it is possible to achieve mean classification F values above 91% throughout different single movement classes using automatic segmentation method based in constant threshold peak detection.