Outros Extractores

• Filtragem Espacial (SF). Do inglês, Spatial Filter. No trabalho de (Hahne et al., 2012), são abordados filtros espaciais otimizados que melhoram as propriedades de separação de sinais EMG. Diferentes extensões multiclasse em comparação com os algoritmos padrões espaciais comuns são aplicados a sinais de alta densidade superficial em EMG.

Da mesma maneira, uma classe inovadora de filtros espaciais para detecção do si- nal eletromiográfico de superficie (sEMG) é proposto no trabalho de (Farina et al., 2008). Estes filtros são baseados na decomposição Wavelet espacial 2-D do sinal coletadas por meio de uma matriz de eletrodos e da transformação inversa após zerar um subconjunto dos coeficientes de transformação.

• Dimensão Fractal (FD). Do inglês, Fractal Dimension. (Gupta et al., 1995) coletou sinais a partir da flexão-extensão do braço sob diferentes condições de carga usando dimensões fractais. Em 1997, FD foi usada como proposta para a caracterização de padrões EMG no trabalho de (Xu e Xiao, 1997), estudando a relação entre a Dimen- são Fractal e as propriedades de sinais EMG, tais como recrutamento e unidades de ação motora (MUAP).

No trabalho de (Arjunan e Kumar, 2010), DF foi calculada usando o algoritmo Higuchi (Higuchi, 1988) para séries temporais não-periódicas e irregulares. Este algoritmo produz uma estimativa mais precisa e consistente da DF para sinais fi- siológicos que outros algoritmos (Esteller et al., 2001). As características foram usadas para o controle de dedos e movimentos de punho de uma mão artificial. Considerando x(1), x(2), ..., x(N) a sequência no tempo a ser analisada, constrói-se knovas séries temporais xmkcomo (Esteller et al., 2001):

x_kk=  x(m), x(m + k), x(m + 2k), ..., x  m+ N − m k  k  para m=1, 2, ..., k

onde m indica o valor de tempo inicial, k indica o intervalo de tempo discreto entre pontos (atraso), e [a] indica a parte inteira de a. Para cada curva ou série de tempo x_mkprojetada, a média do comprimento Lm(k) é calculada como:

Lm(k) =

∑[(N−m)/k]_i=1 |x(m + ik) − x(m + (i − 1)k)|(n − 1) _N−m

k  k

(2.23)

onde N é o comprimento total da sequência de dados x, e [N − 1]/[(N − m)/k]k é um fator de normalização. Uma média do comprimento é calculada para todas as séries de tempos tendo o mesmo atraso (ou escala) k, como a média dos comprimentos k, Lm(k), para m=1, 2, ..., k. Este procedimento é repetido para cada variação de k,

desde 1 até kmax.

A partir da DF podem-se incorporar outras características como Máxima Dimensão Fractal (MFD), do inglês Maximum Fractal Dimension (Arjunan e Kumar, 2010), .

A principal diferença entre STFT, WT e WPT é a forma de como cada um deles divi- dem os planos tempo-frequência. A STFT é parecida a uma quadrícula fixa, cada célula possui uma proporção de aspecto idêntico, enquanto que o WT tem uma quadrícula variá- vel, sendo que o aspecto das células varia de uma forma que a resolução de frequência é proporcional à frequência central. Finalmente, a WPT possui uma quadrícula adaptativa, fornecendo várias alternativas para o preenchimento (Englehart et al., 1999), tal como mostrado na Figura 2.12.

Figura 2.12: Quadrículas tempo-frequência de (a) STFW; (b) WT e (c) WPT (Englehart et al., 1999).

(Huang e Chen, 1999) fizeram uma comparação entre o desempenho das característi- cas no domínio do tempo (IEMG, VAR, Bias Cruzamentos de Zero (BZC1) , SSC, WL e WAMP) e uma característica no domínio da frequência (Coeficientes Auto-regressivos

1_{Bias Cruzamentos de Zero, é denominado dessa forma porque os autores adicionaram um bias (polari-}

AR de ordem quatro), de modo a reconhecer padrões de tarefas motoras de uma mão. Esse trabalho consistiu-se de duas fases. Na primeira etapa, eles aplicaram o índice Davies- Bouldin (DBI2), com o objetivo de avaliar cada característica, resultando que a VAR, a WL e a IEMG apresentam uma melhor separabilidade de clusters do que outros. Na segunda etapa, a fim de obter o melhor desempenho, as melhores características (VAR, WL e IEMG) determinadas na etapa anterior foram combinadas com outras característi- cas (WAMP, BZC e AR de segunda ordem) para reforçar o desempenho do agrupamento (clusterização). A partir dos resultados, duas combinações de características foram usadas em um classificador de rede neural para testar os resultados. A primeira combinação con- sistiu de IEMG, VAR, WL e WAMP; e a segunda combinação era composta de IEMG, VAR, WL, WAMP, BZC e o modelo AR de segunda ordem. A combinação de IEMG, VAR, WAMP, WL, BZC e o modelo AR de segunda ordem tiveram o melhor desempe- nho para o reconhecimento de padrões dos movimentos da mão.

(Oskoei e Hu, 2006) aplicaram algoritmos avançados de busca de subconjuntos, em vez de comparação de índices, para avaliar características de EMG em membros supe- riores. Essas técnicas consistiam de um Algoritmo Genético adotado como estratégia de busca, Índice Davies Bouldin e Índice de Discriminante Linear de Fishers3 utilizados como Funções de Filtro Objetivo4 e Análise Discriminante Linear usado como funções de objetivos Invólucro ou Wrapper5. Para este estudo, uma Rede Neural Artificial foi implementada como classificador. Oskoei e Hu avaliaram características no domínio do tempo para EMG, como a MAV, MAVS, RMS, VAR, WL, ZC, SSC e WAMP, e Coefici- entes Auto-Regressivos (AR); por outra parte, a FMN, a FMD e a Relação de Frequência (FR) no domínio da frequência. Como resultado, eles descobriram que a característica Comprimento de forma de onda (WL) demonstrou uma alta capacidade de fornecimento de informação discriminante para a classificação, depois a MAV e RMS situaram-se se- gunda posição e os modelos AR em terceiro nível de importância

(Phinyomark et al., 2009) compararam 18 características no domínio do tempo (IEMG, MAV, MMAV1, MMAV2, MAVS, SSI, VAR, RMS, WL, ZC, SSC, WAMP e HEMG) e características no domínio da frequência (AR, FMN, FMD, MFMN e MFMD) em um ambiente ruidoso, com o objetivo de determinar qual delas tem uma melhor tolerância ao ruído branco gaussiano. Os resultados mostraram que, do ponto de vista do ruído branco

2_{DBI, é uma medida que reflete o grau de sobreposição dos clusters (agrupações) em relação aos seus}

vizinhos mais próximos. Um valor mais baixo de DBI implica um maior grau de separabilidade.

3_{Fishers Linear Liscriminant Index. Este índice representa a dispersão de clusters.}

4_{Funções de Filtro Objetivo, cujo objetivo é avaliar subconjuntos candidatos, de acordo com seu con-}

teúdo de informação (distância inter-classes, dependência estatística, ou informações teórico-praticas) e retornar uma medida da sua “eficiência” como uma realimentação para selecionar novos candidatos.

5_{Wrapper Objective Function. É um classificador que avalia subconjuntos candidatos de acordo com a}

gaussiano, a Frequência Média Modificada (MFMN) foi a melhor característica em qua- lidade de robustez em comparação com as outras. MFMN teve um erro médio de 6% em sinais fortes e de 10% em sinais fracas para valores de relação sinal-ruído de 0 dB; tam- bém a MFMN apresentou um erro médio de 0, 4% em sinais fortes e fracas para valores de relação sinal-ruído de 20 dB. Além disso, a MFMN e outras características robustas (WAMP e HEMG) foram usados como entradas para o reconhecimento de padrões EMG. O experimento mostrou que essas características foram excelentes candidatas para um vetor característico multi-fonte.