Search

Apesar de avanços recentes, a classificação confiável de sinais de eletromiografia de superfície (sEMG) permanece uma tarefa árdua sob a perspectiva de Aprendizagem de Máquina. Sinais de sEMG possuem uma sobreposição de classes inerente à sua natureza, o que impede a separação perfeita das amostras e produz ruídos de classificação. Alternativas ao problema geralmente baseiam-se na filtragem do sEMG ou métodos de pós-processamento como o Major-Voting, soluções estas que necessariamente geram atrasos na classificação do sinal e frequentemente não geram melhoras substanciais. A abordagem deste trabalho baseia-se no desenvolvimento de métodos confiáveis e resilientes sob a perspectiva de classificação que gerem saídas mais estáveis e consistentes para o classificador baseado em Extreme Learning Machines (ELM) utilizado. Para tanto, métodos envolvendo o pré-processamento e pós-processamento, a suavização do arg max do classificador, thresholds adaptativos e um classificador binário auxiliar foram utilizados. Os sinais classificados derivam de 12 canais de sEMG envolvendo três bases de dados diferentes onde 99 ensaios compostos pela execução de 17 movimentos distintos do segmento mão-braço foram realizados. Nos melhores resultados, os métodos utilizados atingiram taxas de acerto médio global de 66,99 ± 23,6% para a base de voluntários amputados, 87,10 ± 5,89% para a base de voluntários não-amputados e taxas superiores a 99% para todas as variações de diferentes ensaios que compõe a base de dados adquirida em laboratório. Já para a taxa de acerto média ponderada por classes, nos melhores resultados foram de 53,36 ± 18,2% para a base de voluntários amputados, 77,94 ± 6,22% para a base de voluntários não-amputados e taxas superiores a 91% para os ensaios da base de dados adquirida em laboratório. Ambas as métricas de taxa de acerto consideradas superam ou equivalem-se a alternativas descritas na literatura, utilizando abordagens que não demandam grandes mudanças estruturais no classificador. Despite recent advances, reliable classification of surface electromyography (sEMG) signals remains an arduous task from the perspective of Machine Learning. sEMG signals have inherent class overlaps that prevent optimal labeling due to classification noises. Alternatives to classification ripples usually rely on stochastic sEMG filtering or post-processing methods, like Major-Voting, both solutions that insert constraints and additional delays in signal classification and often do not generate substantial improvements. The approach of this paper focuses on the development of reliable and resilient methods used in combination with an Extreme Learning Machines (ELM) classifier to generate more stable and consistent outputs. Methods of pre-processing and post-processing, a smoothed arg max version of the ELM, adaptive thresholds, and an auxiliary binary classifier were used to process signals derived from 12 EMG channels from three different databases. In total, 99 trials were performed, each one containing 17 different upper-limb movements. The proposed methods reached an average overall accuracy rate of 66.99 ± 23.6% for the amputee individuals’ database, 87.10 ± 5.89% for the non-amputee individuals’ database, and rates over 99% for all variations of our own lab-generated database. The average weighted accuracy rates were 53.36 ± 18.2% for the amputee individuals’ database, 77.94 ± 6.22% for the base of the non-amputee individuals’ database, and higher than 91% for the best-case scenario of our own lab-generated database. In both metrics considered, the results outperform, or match alternatives described in the literature using approaches that do not require significant changes in the classifier's architecture.

Surface Electromyography (sEMG) signal processing has a disruptive technology potential to enable a natural human interface with artificial limbs and assistive devices. However, this biosignal real-time control interface still presents several restrictions such as control limitations due to a lack of reliable signal prediction and standards for signal processing among research groups. Our paper aims to present and validate our sEMG database through the signal classification performed by the reliable forms of our Extreme Learning Machines (ELM) classifiers, used to maintain a more consistent signal classification. To perform the signal processing, we explore the use of a stochastic filter based on the Antonyan Vardan Transform (AVT) in combination with two variations of our Reliable classifiers (denoted R-ELM and R-Regularized ELM (RELM), respectively), to derive a reliability metric from the system, which autonomously selects the most reliable samples for the signal classification. To validate and compare our database and classifiers with related papers, we performed the classification of the whole of Databases 1, 2, and 6 (DB1, DB2, and DB6) of the NINAProdatabase. Our database presented consistent results, while the reliable forms of ELM classifiers matched or outperformed related papers, reaching average accuracies higher than 99% for the IEEdatabase, while average accuracies of 75.1%, 79.77%, and 69.83% were achieved for NINAPro DB1, DB2, and DB6, respectively.

Através dos dispositivos e técnicas desenvolvidas na área da Instrumentação Biomédica é possível oferecer um tratamento ou de forma geral soluções que permitam uma vivência mais plena em sociedade para pessoas que possuem algum tipo de deficiência ou doença. Com o aumento da capacidade computacional nos últimos anos foi possível desenvolver muitas técnicas e dispositivos apoiados em processamento digital de sinais e há um grande interesse pelo desenvolvimento de interfaces mais naturais, como sinais biológicos para o controle de próteses e dispositivos. Este trabalho tem por objetivo apresentar o desenvolvimento de um método de Inteligência Computacional baseado em Regressão Logística capaz de classificar 17 movimentos do segmento mão-braço realizados pelos voluntários do estudo através do processamento do sinal mioelétrico (SME) adquiridos dos sujeitos em questão. Adicionalmente é realizada uma avaliação da influência de alguns dos canais, características do sinal e movimentos executados na taxa de acerto global. Para a realização do sistema foi utilizado um aparato experimental capaz de adquirir os SME através de 12 canais utilizando eletrodos não invasivos e posteriormente digitalizá-los. Logo após efetua-se a extração das três características utilizadas no trabalho, que servem de entrada para o método de Regressão Logística. Para este estudo foram processados três bancos de dados que perfazem um total de 50 voluntários. A taxa média de acerto alcançada foi de 70,1%, considerando todas as variações de testes realizados enquanto a média para os melhores casos de cada variação de entrada realizada foi de 92,5%. Through the devices and techniques developed in the field of Biomedical Instrumentation commonly is possible to offer treatment or solutions to provide a more pleasurable experience in society for people who have a disability or illness. With increasing computing capability in recent years, it has been possible to develop many techniques and devices supported by digital signal processing, and there is a great interest in the development of more natural interfaces, such as biological signals for the control of devices and prostheses. This work aims to present the development of a computational intelligence method based on Logistic Regression able to classify 17 movements of the hand-arm segment performed by the subjects of this study through the processing of the myoelectric signal (SME) acquired from the subject in question. Additionally, an assessment of the influence of some of the combination of the channels, signal characteristics and movements performed in the overall hit rate is additionally performed. To conduct the system has built an experimental apparatus able to acquire the SME through 12 channels using non-invasive electrodes and scan them. Thereafter there is a three features extraction from the signal which serves as input to the Logistic Regression method. For this study were processed three databases that compose 50 volunteers. The average hit rate achieved was 70.1%, considering all tests variations while the average for the best cases for each input variation performed was 92,5 %.