CENTRO TECNOLÓGICO
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA
ELÉTRICA
RICHARD JUNIOR MANUEL GODINEZ TELLO
EXTRAÇÃO DE CARACTERÍSTICAS E CLASSIFICAÇÃO
DE SINAIS sEMG APLICADOS A UMA PRÓTESE DE
MÃO VIRTUAL
VITÓRIA
2013
EXTRAÇÃO DE CARACTERÍSTICAS E CLASSIFICAÇÃO
DE SINAIS sEMG APLICADOS A UMA PRÓTESE DE
MÃO VIRTUAL
Dissertação apresentada ao Programa de Pós-Graduação em Engenharia Elétrica do Centro Tecnológico da Uni-versidade Federal do Espírito Santo, como requisito par-cial para obtenção do Grau de Mestre em Engenharia Elétrica, na área de concentração de Robótica e Auto-mação Inteligente
Orientador: Prof. Dr. Teodiano Freire Bastos Filho. Co-orientadores: Prof. Dr. Anselmo Frizera Neto e Dr. Dinesh Kant Kumar.
VITÓRIA
2013
(Biblioteca Central da Universidade Federal do Espírito Santo, ES, Brasil)
Tello, Richard Junior Manuel Godinez,
1985-T277e Extração de características e classificação de sinais sEMG aplicados a uma prótese de mão virtual / Richard Junior Manuel Godinez Tello. −2013.
115 f. : il.
Orientador: Teodiano Freire Bastos Filho.
Coorientadores: Anselmo Frizera Neto, Dinesh Kant Kumar. Dissertação (Mestrado): Universidade Federal do Espírito Santo, Centro Tecnológico.
1. Prótese. 2. Mãos. 3. Robótica. I. Bastos Filho, Teodiano Freire. II. Frizera Neto, Anselmo. III. Kumar, Dinesh Kant. IV. Universi-dade Federal do Espírito Santo. Centro Tecnológico. V. Título.
EXTRAÇÃO DE CARACTERÍSTICAS E CLASSIFICAÇÃO DE
SINAIS sEMG APLICADOS A UMA PRÓTESE DE MÃO
VIRTUAL
Dissertação submetida ao programa de Pós-Graduação em Engenharia Elétrica do Centro Tecnológico da Universidade Federal do Espírito Santo, como requisito parcial para a obtenção do Grau de Mestre em Engenharia Elétrica.
Aprovada em 21 de fevereiro de 2013.
COMISSÃO EXAMINADORA
Prof. Dr. Teodiano Freire Bastos Filho
Universidade Federal do Espírito Santo (UFES) Orientador
Prof. Dr. Anselmo Frizera Neto
Universidade Federal do Espírito Santo (UFES) Co-orientador
Prof. Dr. Dinesh Kant Kumar
Universidade Royal Melbourne Institute of Technology (RMIT) Co-orientador
Prof. Dr. Sridhar Poosapadi Arjunan
Universidade Royal Melbourne Institute of Technology (RMIT)
Prof. Dr. Klaus Fabian Côco
Gostaria de agradecer a Deus, a meus pais Elba e Richard e a meu irmão Carlos, pelo apoio de sempre. Da mesma forma, quero agradecer de forma especial ao CNPQ pela bolsa de estudos concedida, e a meu orientador, Prof. Teodiano, muito obrigado pela paciência, por sua exaustividade nas correções de meus textos e seus acertados conselhos. De igual forma, ao Prof. Anselmo por seu gerenciamento atento e rápido na solução dos problemas.
Não posso deixar de agradecer a todos os meus novos amigos brasileiros que fiz; só espero não esquecer de algum de vocês, e se eu cometer esse erro peço desculpas; a Rafael, Roberto, Lígia, Milton, Ígor, Valmir, Mariana, Diego, Alessandro, Sandra, Flá-vio, Fabrício, Marino, Thiago Calotti, Gabriel Zago, Arlindo, Cassius, Leonardo, Bruno, Carlos Valadão e Clebson: um grande abraço a todos vocês.
A meus amigos da Argentina: Natalia, Lucio e Eugenio da Universidad Nacional de San Juan, muito obrigado a vocês por sua sempre atenciosa colaboração e amabilidade.
Finalmente, desejo agradecer a meus colegas e amigos de diversos países, que junto comigo somos os chamados estrangeiros na pós-graduação da Elétrica, os quais contribuí-ram muito, de maneira direta e indireta, na realização deste trabalho: Jhon Freddy, John Jairo, Dennis, Camilo, Carlos, Manuel e Anibal.
Não posso acabar esta lista de agradecimentos, sem antes agradecer a Jorge Aching, muito obrigado por ser meu amigo e me apoiar na minha chegada. Não esquecerei tua disposição de sempre e teus grandes conselhos, Doutor!
Sumário
1 Introdução 16 1.1 Introdução . . . 16 1.2 Caracterização do Problema . . . 17 1.3 Objetivos . . . 19 1.4 Organização da Dissertação . . . 20 2 Fundamentação Teórica 21 2.1 Breve História da Electromiografia . . . 212.2 Sinais Eletromiográficos de Superfície (sEMG) . . . 23
2.2.1 Definições . . . 23
2.2.2 A Fonte do Sinal Eletromiográfico . . . 24
2.2.3 Considerações sobre Impedância em Sinais Eletromiográficos . . 28
2.2.4 Amplificação Diferencial e Rejeição de Modo Comum . . . 28
2.2.5 Filtragem do Sinal Eletromiográfico . . . 29
2.2.6 Análise Espectral e Filtros Passa Banda . . . 30
2.2.7 Etapas do Processamento de Sinais sEMG . . . 31
2.3 Etapa 1: Aquisição e Segmentação de dados . . . 32
2.3.1 Aquisição de Dados EMG . . . 32
2.3.2 Segmentação de Dados EMG . . . 33 viii
2.4.1 Domínio do Tempo . . . 36
2.4.2 Domínio da Frequência . . . 39
2.4.3 Domínio Tempo-Frequência . . . 42
2.4.4 Outros Extractores . . . 43
2.4.5 Redução de Dimensionalidade . . . 46
2.4.6 Técnicas de Partição de Conjuntos de Amostras para Treinamento 47 2.5 Etapa 3: Classificação de Sinais sEMG . . . 51
2.6 Etapa 4: Aplicações de Controle . . . 54
2.7 Plataformas Comerciais e Projetos de Pesquisa de Próteses de Membro Superior . . . 55
2.8 Estado da Arte em Reconhecimento de Tarefas Motoras para EMG . . . . 61
3 Implementação e Resultados 64 3.1 Introdução . . . 64
3.1.1 Aquisição dos Sinais EMG . . . 65
3.2 Extração de Características . . . 68
3.3 Classificação . . . 71
3.3.1 Análise Discriminante Linear e Quadrático - Classificador Baye-siano . . . 71
3.3.2 Classificador k-Vizinho Próximo (k-NN) . . . 72
3.4 Provas Experimentais e Resultados . . . 72
4 Modelagem da Mão Virtual 83 4.1 Sistema On-line de Biofeedback . . . 86
5.1 Conclusões . . . 90 5.2 Trabalhos a futuro . . . 91
A Publicaçoes Geradas 104
Lista de Tabelas
2.1 Técnicas de extração de características para sistemas de controle EMG. . 36
2.2 Tipos de classificadores utilizados no reconhecimento de padrões em EMG. 54 2.3 Características de alguns protótipos de pesquisa e próteses comerciais de mão e braço. . . 61
2.4 Estado da Arte em Reconhecimento de Tarefas Motoras em EMG. . . 63
3.1 Conjuntos de Tarefas Motoras a realizar. . . 65
3.2 Aplicações de controle mioelétrico com 4 canais. . . 69
3.3 Porcentagens de acerto geral na classificação das diferentes tarefas motoras. 74 3.4 Matriz de confusão em porcentagens de acerto (%) na classificação de movimentos do Conjunto 1 fazendo uso do classificador Bayesiano Linear. 74 3.5 Matriz de confusão em porcentagens de acerto (%) na classificação de movimentos do Conjunto 1-2 fazendo uso do classificador Bayesiano Linear. 75 3.6 Matriz de confusão em porcentagens de acerto (%) na classificação de movimentos do Conjunto 3 fazendo uso do classificador Bayesiano Linear. 75 3.7 Matriz de confusão em porcentagens de acerto (%) na classificação de movimentos do Conjunto 4 fazendo uso do classificador Bayesiano Linear. 75 3.8 Matriz de confusão em porcentagens de acerto (%) na classificação de movimentos do Conjunto 1 fazendo uso do classificador Bayesiano Qua-drático. . . 75
3.9 Matriz de confusão em porcentagens de acerto (%) na classificação de movimentos do Conjunto 1-2 fazendo uso do classificador Bayesiano Qua-drático. . . 76
movimentos do Conjunto 3 fazendo uso do classificador Bayesiano
Qua-drático. . . 76
3.11 Matriz de confusão em porcentagens de acerto (%) na classificação de movimentos do Conjunto 4 fazendo uso do classificador Bayesiano Qua-drático. . . 76
3.12 Valores de Desvio Padrão para os diferentes classificadores. . . 77
3.13 Desempenho da Classificação para Bayesianos. . . 81
Lista de Figuras
1.1 Etapas de processamento do sinal mioelétrico. . . 17 1.2 Prótese de mão, modelo i-LIMB, da empresa Touch Bionics, Inc. . . 19
2.1 Representação de um mecanismo de controle motor básico e da Unidade Motora junto a seus componentes. Adaptado de (Merletti e Parker, 2004). 24 2.2 Diagrama de blocos de instrumentação EMG com varias opções.
Adap-tado de (Criswell, 2010). . . 25 2.3 Os componentes que afetam ao sinal de EMG, uma vez que passam pelos
amplificadores diferenciais. Adaptado de (Criswell, 2010). . . 25 2.4 Participantes na contração do músculo esquelético produzindo sinal EMG.
Adaptado de (Rechy-Ramirez e Hu, 2011) . . . 26 2.5 Representação visual da atividade da Unidade Motora em relação aos
ele-trodos. Adaptado de (Criswell, 2010). . . 27 2.6 (a) Um registro de Sinal sEMG em bruto; (b) Um registro de Sinal sEMG
com filtro Notch. . . 30 2.7 (A) Três sinais independentes de 0.5, 1.0 e 1.5 Hz; (B) O sinal composto
das mesmas. Adaptado de (Criswell, 2010). . . 31 2.8 Densidade espectral de potência do sinal composto da figura anterior.
Adaptado de (Criswell, 2010). . . 32 2.9 Resumo das etapas de processamento do sinal sEMG. . . 32 2.10 (a) Eletrodo passivo superficial; (b) Eletrodo passivo invasivo; (c)
Ele-trodos ativos superficiais. Fotografia dos eleEle-trodos da empresa Delsys (esquerda) e Touch Bionics, Inc. (direita). . . 33
koei e Hu, 2008a). . . 34
2.12 Quadrículas tempo-frequência de (a) STFW; (b) WT e (c) WPT (En-glehart et al., 1999). . . 44
2.13 Heterogeneização de um conjunto de amostras (Campo, 2008). . . 48
2.14 Técnica de “Cross-Validation” para 1000 amostras (Campo, 2008). . . 49
2.15 Dez partições que utilizam 10-fold Cross-Validation (Campo, 2008). . . . 51
2.16 Leave-One-Out sobre dez amostras (Campo, 2008). . . 52
2.17 Agrupamento dos tipos de classificadores mais usados. . . 53
2.18 Evolução no uso dos sinais EMG para controle de próteses de mão (Zecca et al., 2002). . . 55
2.19 Prótese de braço, Boston Digital Arm. . . 56
2.20 Mão biônica da Otto Bock, modelo “Michelangelo”. . . 57
2.21 (a) Prótese Proto 1; (b) Prótese Proto 2; (c) Projeto MLP (Modular Prosthe-tic Limb). . . 58
2.22 (a) Braço Deka Gen 1; (b) Braço Deka Gen 2 e (c) Braço Deka Gen 3. . . 58
2.23 Prótese de mão, modelo i-LIMB Ultra. . . 59
2.24 Prótese de mão, modelo Bebionic3. . . 60
2.25 Prótese de braço e mão, modelo Utah Arm 3. . . 60
3.1 Etapas da avaliação experimental do sistema de classificação proposto. . . 65
3.2 Tarefas motoras realizadas pelos voluntários. . . 66
3.3 Eletrodos ativos superficiais da empresa Touch Bionics, Inc. . . 66
3.4 Circuito de aquisição e conversor ADC NI USB - 6009 utilizados. . . 67
3.5 Circuito eletrônico da placa de aquisição. . . 67
3.6 Localização dos eletrodos e corte transradial nos músculos envolvidos. . . 68
temporais normalizadas. . . 70 3.9 Comparação de algumas características no domínio do tempo
(normali-zadas). . . 71 3.10 Gráficos de Sammon para discriminação Bayesiana linear dos conjuntos
de tarefas motoras. . . 78 3.11 Gráficos de Sammon para discriminação Bayesiana quadrática dos
con-juntos de tarefas motoras. . . 79 3.12 Desempenho da classificação com k-NNs para o Sujeito 1 nos quatro
con-juntos de tarefas, mostrando o desvio padrão em: (a) Conjunto 1; (b) Conjunto 2; (c) Conjunto 3 e (d) Conjunto 4. . . 80
4.1 Mão virtual desenvolvida. . . 83 4.2 Diagrama de fluxo para a mão virtual desenvolvida. . . 84 4.3 (a) Painel de controle do sistema on-line: (b) Mão virtual na posição de
aberta; (c) Mão virtual na posição de relaxação; (d) Mão virtual na posi-ção de fechada. . . 87 4.4 Dois canais sEMG provenientes do músculo pronador e o músculo
bra-chioradialis. . . 87 4.5 Velocidades e coordenadas das juntas quando a configuração permite abrir
e fechar a mão virtual com a mesma velocidade nos dedos. . . 88 4.6 Velocidades e coordenadas das juntas quando a configuração permite abrir
e fechar a mão virtual com diferentes velocidades nos dedos. . . 88 4.7 Zoom das coordenadas das juntas da Figura 4.6. A configuração faz com
que a mão virtual possa abrir e fechar com uma velocidade diferente nos dedos. Neste caso, o dedo mindinho (q1) fecha mais rapidamente e o dedo indicador (q4) abre mais rapidamente. . . 89 4.8 Um voluntário controlando a mão virtual. . . 89
Glossário de Termos
AC Coeficientes de Autocorrelação
ANN Classificador por Redes Neurais Artificiais AR() Modelos Autoregressivos (ordem)
ARMA Modelos Auto-Regressivos de Média Móvel ASSD Averaged Sensor-Skin Distance
BC Classificador Bayesiano
BNN Rede Neural Bayesiana
BP NN Rede Neural Backpropagation
CC Coeficientes Cepstrum
CMRR Relação de Rejeição em Modo Comum DBS Discriminante Bi-espectral
DFT Transforma de Fourier Discreta
ELM Classificador Extreme Leaning Machine EMD Empirical Mode Decomposition
FD Dimensão Fractal
FFT Transformada Rápida de Fourier
FL Lógica Difusa
FMN Frequência Média
FNPA Fuzzy Neighborhood Preserving Analysis
FR Relação de frequência
FS Filtragem Espacial
GA Algortimo Genetico
GMM Gaussian Mixture Model
GUSS Guided Underdetermined Source Signal Separation HMM Modelos Ocultos de Markov
ICA Análise de Componentes Independentes
IEMG Integral de EMG
JD Joint Diagonalization
k-NN Classificador do k-Vizinho Próximo
LDA Classificador de Análise Discriminante Linear LLGMN Rede Mista Gaussiana Log-linearizada
LVQ NN Learning Vector Quantization Neural Network
MMAV1 Valor Médio Absoluto Modificado 1 MMAV2 Valor Médio Absoluto Modificado 2 MC Classificaçao Multiclasse
MFL Maximum Fractal Length
MFD Máxima Dimensão Fractal
MLP Multilayer Perceptron
MPL Multilayer Perceptron
MU Unidade Motora
MUAP Potencial de Ação da Unidade Motora
MUAPT Trem de Potenciais de Ação de Unidade Motoras NNC Classificador de Vizinho Próximo
OvO One vs One
OvR One Versus Rest
PCA Análise de Componentes Principais
PMAX Potência máxima
PMED Potência Média
POLC Classificador Polinomial
PSD Densidade Espectral de Potência
R-LLGMN Recurrent Log-Linearized Gaussian Mixture Network RegTree Classificador de Árvore de Regressão
RMS Raiz Média Quadrática
sEMG Eletromiografia de superfície
SOFM NN Self-Organizing Feature Map Neural Network SSC Mudanças de Sinal de Inclinação
STFT Transformada Rápida de Fourier
SVM Máquina do Vetor Suporte
TSVM Twin Support vector machines
VAR Variância
WAMP Amplitude Willison
WL Comprimento de onda
WNN Rede Neural Wavelet
WPT Transformada Wavelet Packet
WT Transformada Wavelet
Resumo
Este trabalho apresenta a classificação de tarefas motoras, através da eletromiografia de superfície (sEMG), para controlar uma mão prostética para reabilitação de amputa-dos. Dois tipos de classificadores são comparados: k-vizinhos mais próximos (k-NN) e Bayesiano (Análise Discriminante). As tarefas motoras são divididas em quatro grupos correlacionados. Os voluntários desta pesquisa foram pessoas saudáveis (sem amputa-ção), e várias análises de cada um dos sinais foram realizadas. Para o analise off-line, as características utilizadas foram: RMS (Raiz Média Quadrática), VAR (Variância) e WL (Comprimento de forma de onda). Para a experimentação on-line implicou o uso da característica de Discriminante Bi-espectral. Em ambos casos, tanto online ou offline, fo-ram usadas técnicas de janelas deslizantes. Foi proposto um modelo para a reclassificação usando validação cruzada, a fim de validar a classificação, sendo gerada uma visualização dos dados em mapas de Sammon, a fim de observar a separação das classes para cada con-junto de tarefas motoras. Os métodos propostos foram implementados em uma interface de computador, fornecendo realimentação visual através de uma prótese de mão artificial desenvolvida em Visual C++ e utilizando comandos MATLAB.
Abstract
This work proposes the classification of motor tasks, using surface electromyography (sEMG) to control a prosthetic hand for rehabilitation of amputees. Two types of clas-sifiers are compared: k-Nearest Neighbor (k-NN) and Bayesian (Discriminant Analysis). Motor tasks are divided into four groups correlated. The volunteers were healthy people (without amputation) and several analyzes of each of the signals were conducted. For offline analysis, the features used were: RMS (Root Mean Squared), VAR (Variance) and WL (Waveform Length). For online experimentation, it involved the use of feature of Discriminant of Bi-spectral. In both cases, either online or offline techniques were used to sliding windows. A model is proposed for reclassification using cross-validation in order to validate the classification, and a visualization in Sammon Maps is provided in order to observe the separation of the classes for each set of motor tasks. The proposed method can be implemented in a computer interface providing a visual feedback through an artificial hand prosthetic developed in Visual C++ and MATLAB commands.
Capítulo 1
Introdução
1.1
Introdução
Bio-sinais são valores biológicos mensuraveis que variam com o tempo (Weeks, 2011), que podem ser utilizadas para controlar máquinas e sistemas. Existem diferentes tipos de Bio-sinais, tais como EMG (Sinal de Eletromiografia ou Sinal Mioelétrico, que é a ati-vidade elétrica gerada durante a contração de um músculo esquelético), EEG (Sinal de Eletroencefalografia: atividade elétrica gerada por sinais cerebrais), EOG (Sinal eletro-culográfico: atividade elétrica gerada por movimentos do globo ocular) e ECG (Sinal de eletrocardiograma: atividade elétrica proveniente do coração).
Por outro lado, a Interação Homem-Máquina ou HMI (do inglês, Human Machine Interface) é uma área de pesquisa que tem como objetivo projetar sistemas de controle nos quais o ser humano possa se comunicar com um computador ou com outros dispositivos, de uma forma mais natural.
De acordo com (Oskoei e Hu, 2007; Wolpaw et al., 2002; Zecca et al., 2002), exis-tem quatro fases em sisexis-temas de controle baseados em EMG para seu uso em interfaces Homem-Máquina: 1) aquisição e segmentação de dados; 2) extração de características; 3) classificação; e 4) controle, tal como mostrado na Figura 1.1. A primeira etapa é também chamada de condicionamento de sinal e de pré-processamento, na qual o sinal é adquirido a partir do corpo humano e é filtrado para reduzir o ruído produzido por outras atividades eléctricas do corpo ou pelo contacto inapropriado dos sensores.
A etapa de extração de características converte os sinais brutos obtidos a partir da primeira etapa em um vetor de características. O vetor de características representa a estrutura relevante dos dados. A redução de dimensionalidade elimina a redundância de
Filtragem Aquisição
de dados Amplificação Amostragem
Segmentação dos dados Extração de características Classificação Controlador digital Próteses PRÉ-PROCESSAMENTO PROCESSAMENTO Retroalimentação de baixo nível Cérebro Músculo Retroalimentação de alto nível (Biofeedback) ATUADOR
Figura 1.1: Etapas de processamento do sinal mioelétrico.
informações no vetor de características, gerando assim um vetor de características redu-zido (Zecca et al., 2002). A etapa 3, de classificação, é também chamada de algoritmo de conversão, a qual envolve o reconhecimento de padrões, uma vez que um algoritmo de classificação é aplicado ao vector de características reduzido, a fim de se obter categorias diferentes. Finalmente, a etapa 4 , de controle, possui como objetivo converter as catego-rias obtidas a partir da etapa 3 para controlar comandos para a execução por uma interface Homem-Máquina.
1.2
Caracterização do Problema
As próteses artificiais atualmente existentes são dotadas de vários graus de liberdade, o que requer uma adequada interface com o usuário e um controle mais preciso de seus movimentos. Uma das próteses de mão mais eficientes no mercado é a da empresa Touch Bionics, Inc. a qual possui capacidade de movimentos em seis graus de liberdade. Um dos desenvolvimentos mais recentes dessa empresa é a prótese de mão e dedos “i-Limb Ultra” (Touch Bionics, 2012). Entretanto, uma das dificuldades de utilizar essa prótese de dedos é conseguir identificar características do sinal mioelétrico que estejam relacionadas com o controle individual de cada um dos dedos da prótese.
utilizando os sinais mioelétricos residuais da parte amputada, pois o usuário não teria que reaprender como utilizar os sinais para controlar uma mão artificial. É necessário então o uso de técnicas de processamento de sinais, com vista a uma identificação automática dos comandos para a realização de movimentos precisos e naturais da mão e dos dedos.
Uma das formas de identificar os parâmetros do sinal mioelétrico relacionados com movimentos da mão e dos dedos é estimar o esforço produzido pela contração de mús-culos associados, em função da atividade elétrica de tais músmús-culos (Arjunan e Kumar, 2010; Hudgins et al., 1993). A atividade elétrica muscular é denominada sinal mioelé-trico e é normalmente obtida através de eletrodos localizados na superfície da pele, técnica denominada Eletromiograma de Superfície (sEMG). A vantagem deste método sobre as demais técnicas é que ele é adequado para pessoas que tenha sofrido amputação de suas mãos, sendo que o controle da mão e dedos da prótese artificial pode ser baseado na in-tenção do usuário. Um recente estudo realizado sobre próteses mioelétricas por (Oskoei e Hu, 2007) destaca que existem várias aplicações deste método, tais como em próte-ses multifuncionais, cadeiras de rodas, controle de agarre de objetos, teclados virtuais e interfaces baseadas em gestos.
Vários grupos de pesquisa no mundo têm buscado desenvolver algoritmos de controle de prótese de mão artificial baseados em sinais sEMG. De uma forma geral, esses sis-temas obtêm os parâmetros de controle em função da amplitude ou da taxa de variação dos sinais sEMG, gerando ações de controle no modo proporcional ou binário (on/off). Entretanto, mesmo para uma mão artificial tendo 6 graus de liberdade (como é o caso do modelo i-LIMB, da empresa Touch Bionics, Inc. Fig.1.2), os controladores mioelétricos desenvolvidos somente proporcionam o controle de apenas um grau efetivo de liberdade (Huang et al., 2009). Isto ocorre porque as técnicas de processamento de sinais mioe-létricos atualmente existentes somente conseguem identificar a flexão do dedo, mesmo utilizando uma matriz de eletrodos de sEMG.
Um dos grandes desafios de utilizar sEMG de músculos residuais é que existe um alto nível de ruído e interferências de atividades musculares de diferentes músculos presentes na área de detecção. Em muitos casos, esta interferência provém de músculos cuja função não é nem sinergética ao músculo sob análise nem similar ao mesmo. Isto produz o fenômeno denominado “cross-talk”. Quando a atividade muscular é muito reduzida, isso resulta na incapacidade de distinguir a atividade muscular do músculo sob análise da atividade do músculos próximos. Alguns autores têm utilizado técnicas como Separação de Fontes, Decomposição de Sinais e Algoritmos Genéticos (Naik et al., 2008; Kanitz et al., 2011). Entretanto, a precisão dessas técnicas é baixa e ainda não foram utilizadas na prática.
Figura 1.2: Prótese de mão, modelo i-LIMB, da empresa Touch Bionics, Inc.
Pesquisas recentes estão focadas no uso de filtros espaciais seletivos que permitem diminuir o volume de dados dos registros de sinais sEMG (Huang et al., 2009). Os fil-tros espaciais permitem reduzir o número de Potenciais de Ação de Unidades Motoras ou MUAPs (do inglês, Motor Unit Action Potentials) detectadas em cada região, sendo que a filtragem espacial aumenta a quantidade de informações necessárias para discriminar en-tre diferentes formas de potenciais de ação de diferentes unidades motoras (Farina et al., 2008). Entretando, deve ser utilizada uma matriz de eletrodos para que isso seja possí-vel (Merletti et al., 2003), aumentando significativamente a complexidade do hardware necessário e tornando difícil a tarefa de instalar tal sistema em uma pessoa amputada.
1.3
Objetivos
Esta Dissertação de Mestrado tem por objetivo identificar diferentes tarefas motoras através de técnicas de classificação de sinais eletromiográficos de superfície (sEMG) para controlar uma prótese de mão virtual que servirá para a reabilitação de pessoas amputa-das. Este trabalho envolve análise teórica e experimentos com humanos (autorizados pelo Comitê de Ética da Universidade Federal do Espirito Santo -UFES).
Para atingir o objetivo geral desta pesquisa, os objetivos específicos foram executados da seguinte maneira:
1. Realização de um estudo do estado da arte, a fim de conhecer as características tra-dicionais e os tipos de classificação utilizados no reconhecimento de tarefas motoras a partir de sinais eletromiográficos de superfície.
2. Realização de experimentos com voluntários de um grupo controle (sem amputa-ção), através do registro das atividades musculares utilizando eletrodos não-invasivos localizados na região próxima ao cotovelo dos mesmos. Esses experimentos foram realizados de acordo com a Declaração de Helsinki sobre experimentos com seres humanos, após aprovação do Comitê de Ética da UFES. Para tal efeito, foi necessá-rio o desenvolvimento de um software de aquisição de sinal eletromiográfico para a obtenção de dados a partir de um dispositivo ligado a um circuito conversor A/D NI USB-6009 da National Instruments.
3. Desenvolvimento um algoritmo de processamento de sinais com base em referên-cias do item (1). Teste do algoritmo em modo off-line para determinar a precisão na determinação de ações de movimento de cada dedo, além de tarefas relacionadas ao movimento do punho.
4. Desenvolvimento de um software para a realização de análise em modo on-line dos sinais capturados no item (2) e realização de testes com voluntários e projeto de uma interface gráfica para proporcionar uma realimentação dos movimentos da prótese para o usuário, através da visualização de uma prótese de mão virtual.
1.4
Organização da Dissertação
Este trabalho está organizado da seguinte maneira:
No Capítulo 2 serão definidos os fundamentos teóricos do sinal de eletromiografia como também um estado do arte com foco nas características tradicionais mais utilizadas na extração de características e na classificação dos sinais
No Capítulo 3 serão detalhadas os elementos utilizados no desenvolvimento dos ob-jetivos específicos da pesquisa e a metologia executada, com base na literatura, além dos ajustes feitos, de modo a otimizar o reconhecimento de padrões. De igual forma, serão mostrados detalhes dos testes realizados e os resultados obtidos experimentalmente.
Finalmente, no Capítulo 5 serão discutidos os resultados obtidos e as contribuições deste trabalho. Também serão citados alguns pontos que poderiam ser alterados e algumas opções e sugestões para trabalhos futuros.
Capítulo 2
Fundamentação Teórica
2.1
Breve História da Electromiografia
A história da eletromiografia de superfície (sEMG) tem a ver com a descoberta da eletricidade e da capacidade de desenvolvimento de instrumentos para visualização de detalhes de objetos que não podiam ser vistas através dos sentidos normais. O tema do desenvolvimento de sEMG foi primeiramente mencionada a meados de 1600, quando Francesco Redi (Redi, 1617; Wu, 1984) constatou que um músculo específico foi a fonte de energia elétrica de um peixe. Em 1773, o cientista britânico John Walsh foi capaz de demonstrar claramente que o tecido muscular da ênguia pode gerar uma eletricidade (Galvani e M.Green, 1953). Somente na década de 1790 que Galvani obteve evidências diretas da relação entre a contração muscular e a energia elétrica, através da realização de uma série de estudos que demonstraram que as contrações musculares podem ser evocadas pela descarga de eletricidade estática no músculo.
Em 1792, Volta (Volta, 1792) concluiu mais tarde que o fenômeno Galvani parecia não emanar do próprio tecido. A técnica de usar a eletricidade para estimular os músculos ganhou grande atenção durante o século XIX, e algumas pessoas começaram a explorar essa nova técnica para fins de pesquisa. Na década de 1860, Duchenne (Duchenne e Ka-plan, 1949) conduziu o primeiro estudo sistemático da dinâmica e da função do músculo intacto, utilizando a estimulação elétrica para estudar a função muscular (Criswell, 2010). Em 1849, Du Bois-Reymond (Bois-Reymond, 1849) deu a primeira evidência de ati-vidade elétrica dos músculos humanos durante a contração voluntária. Em seu experi-mento clássico, Du Bois-Reymond colocou um pano absorvente em cada uma das mãos e antebraços de um sujeito e os submergiram em cubas separadas de solução salina, en-quanto conectava eletrodos a um galvanômetro. Ele notou instantaneamente, mudanças
nos sinais sempre que o sujeito ficava flexionando uma mão ou um braço. Deduziu que a magnitude da corrente diminuía devido a impedância da pele. Após a remoção de uma porção de pele do sujeito, Du Bois-Reymond substituiu os eletrodos e observou um au-mento na magnitude do sinal durante a flexão do punho (Criswell, 2010).
No início dos anos 1900, Pratt (Pratt, 1917) tinha começado a demonstrar que a mag-nitude da energia associada com a contração do músculo era devida ao recrutamento de fibras musculares individuais, em vez do tamanho do impulso neural.
Na década de 1920, Gasser e Newcomer (Gasser e Newcomer, 1921) utilizaram um osciloscópio de raios catódicos, recém inventado, para mostrar os sinais dos músculos. Por aquela façanha eles ganharam o Prêmio Nobel em 1944. Como resultado da melhoria contínua na instrumentação para sinais sEMG, no início da década de 1930, e continu-ando durante os anos 1950, esses pesquisadores começaram a usar o sinal sEMG mais amplamente para o estudo da função muscular normal e anormal.
Na década de 1940, muitos pesquisadores começaram a usar sEMG para estudar o movimento dinâmico. Por exemplo, Inman e colegas conduziram um estudo, altamente considerado, sobre os movimentos do ombro (Inman et al., 1944). Durante os anos 1960, a técnica de biofeedback (realimentação biológica) nasceu. O trabalho de Basmajian (Bas-majian, 1963) no treinamento de uma única unidade motora forneceu alguns ímpetos para a pesquisa sobre biofeedback. Embora este tipo de treinamento implicou a utilização de eletrodos finos, em vez de eletrodos de superfície. John Basmajian atualmente é conside-rado o pai da eletromiografia de superfície, por seu trabalho pioneiro na eletromiografia, que teve um impacto significativo no desenvolvimento de técnicas de biofeedback. Al-guns anos mais tarde, Budzynski e colegas (Budzynski et al., 1973) começaram usando feedback sEMG para tratar dores de cabeça devido a contração muscular. De lá, a área do biofeedbackcomeçou a expandir-se rapidamente.
No início de 1980, Cram e Steger (Cram e Steger, 1983) introduziram um método clínico para a digitalização de uma variedade de músculos usando um dispositivo portátil de detecção para sEMG, alguns anos mais tarde, Cram e Engstrom apresentaram um banco de dados normativos de 104 indivíduos normais. Este nível de análise clínica dos elementos posturais do músculo levou à diferenciação de três conceitos clínicos: (1) O local de atividade, (2) impacto de postura, e (3) o grau de simetria.
Durante os anos 1960, Basmajian concebeu um fórum internacional para compartilhar informações sobre sEMG, e em 1965 a Sociedade Internacional de Cinesiologia eletrofisi-ológica (ISEK) foi formada. A organização ainda existe hoje, publicando uma das únicas revistas que aborda especificamente questões relativas a sEMG (The Journal of Elec-tromyography and Kinesiology). As comunidades acadêmicas americanas e européias
(especialmente os pesquisadores escandinavos) forneceram uma forte base fundamental para a compreensão da EMG em geral, e em particular sEMG. Também é necessário reco-nhecer os muitos colaboradores da área, mas a influência de Carlo DeLuca e seus colegas, do Instituto de Pesquisa Neuromuscular em Boston, não pode ser negligenciada. Parte do seu trabalho na análise espectral e fadiga muscular enfocou-se sobre a fisiologia do músculo e métodos de medição (Criswell, 2010).
2.2
Sinais Eletromiográficos de Superfície (sEMG)
Para entender os sinais eletromiográficos é necessário entender os componentes e ações realizadas para sua geração.
2.2.1
Definições
O sistema motor humano tem de lidar com uma grande diversidade de demandas e restrições internas e externas. Estes incluem a regulação da produção de força para movi-mentos precisos e poderosos, postura ereta, locomoção, e até o nosso repertório de gestos. Como é impossível descrever todas as características específicas de controle dos diferen-tes sistemas motores de forma isolada, vamos tentar delinear os princípios básicos do controle motor, com especial atenção ao sistema esqueletomotor, o qual desempenha o papel mais importante no controle da força e dos movimentos dos humanos.
Um diagrama esquemático simplificado do sistema motor central junto ao conceito de Unidade Motora ou MU (do inglês, Motor Unit), é apresentado na Figura 2.1. O sistema nervoso central é organizado de forma hierárquica. A programação de tarefas motoras tem lugar no córtex pré-motor, na área motora suplementar e em outras áreas associadas ao córtex. Sinais destas áreas, outros provenientes do cerebelo, e, até certo ponto, outros a partir de gânglios da base, convergem ao córtex motor primário e excitam ou inibem os vários neurônios desse córtex motor. As saídas provenientes do córtex motor primário têm uma poderosa influência sobre os interneurônios e motoneurônios do tronco cerebral e da medula espinhal. Existe uma ligação entre o trato corticoespinhal e os alfa (α)-motoneurônios, proporcionando controle cortical direto da atividade muscular, como é mostrado na Figura 2.1.
A Unidade Motora (MU) é formada pela inervação de um motoneurônio na medula espinal e das fibras musculares (Figura 2.1). O motoneurônio é o ponto final da somató-ria de todas as entradas descendentes e as reflexadas. A corrente induzida nesta rede de
membranas induz neste motoneurônio por vários sítios sinápticos de inervações que deter-minam o padrão de descarga da Unidade Motora e, assim, a atividade da MU. O número de MUs por músculo em seres humanos pode variar de cerca de 100, para um músculo pequeno da mão, até 1000 ou mais para os músculos dos membros grandes (Henneman e Mendell, 1981; Merletti e Parker, 2004). Também tem sido demonstrado que as diferentes MUs variam muito em relação à capacidade de força gerada, com uma diferença de 100 ou mais vezes em uma contração muscular (Garnett et al., 1979; Stephens e Usherwood, 1977; Merletti e Parker, 2004).
A ampla variação nas propriedades morfológicas e eletrofisiológicas dos motoneurô-nios individuais que compõem um conjunto de motoneurômotoneurô-nios é acompanhada por uma faixa igualmente ampla nas propriedades fisiológicas das unidades musculares que iner-vam. Curiosamente, as fibras musculares que são inervadas por um motoneurônio parti-cular manifestam quase idênticas características bioquímicas, histoquímica e contráteis, que juntas definem a tipo de MU específico.
Figura 2.1: Representação de um mecanismo de controle motor básico e da Unidade Motora junto a seus componentes. Adaptado de (Merletti e Parker, 2004).
2.2.2
A Fonte do Sinal Eletromiográfico
A Figura 2.2 mostra a fonte do sinal de EMG e os sub-elementos que conduzem à amplificação diferencial, e a Figura 2.3 mostra os elementos de amplificação junto ao sensoriamento da pele pelos eletrodos. A fonte do sinal de EMG é o Potencial de Ação da Unidade Motora (MUAP). Esses potenciais de ação são enviados por cada uma das
Unidades Motoras ativadas durante uma contração. Em qualquer padrão de recrutamento, conjuntos de Unidades Motoras são ativados em um padrão assíncrono. Este padrão as-síncrono de ativação oferece a possibilidade de um movimento suave, sendo a soma da atividade que constitui o volume de sinal conduzido, o qual é captado pelos eletrodos e posteriormente amplificado.
Figura 2.2: Diagrama de blocos de instrumentação EMG com varias opções. Adaptado de (Criswell, 2010).
Figura 2.3: Os componentes que afetam ao sinal de EMG, uma vez que passam pelos amplificadores diferenciais. Adaptado de (Criswell, 2010).
Em outra definição, (Reaz et al., 2006) explicam que os músculos são compostos de feixes de células especializadas capazes de realizar a contração e o relaxamento dos músculos, pois eles são responsáveis pela produção de movimento e movimentação de
substâncias dentro do corpo, proporcionando estabilização e gerando calor. Existem três tipos de tecidos musculares, dependendo da base da estrutura,das propriedades contráteis e dos mecanismos de controle: a) músculo esquelético; b) músculo liso; e c) músculo cardíaco (Reaz et al., 2006; Sörnmo e Laguna, 2005). De acordo com (Sörnmo e Laguna, 2005), o músculo esquelético é ligado ao esqueleto e facilita o movimento e posição do corpo. Por outro lado, o músculo liso é encontrado no interior dos intestinos e está relacionado com a posição do corpo, enquanto que o músculo cardíaco é responsável pelos batimentos cardíacos. O Sinal EMG é adquirido a partir do músculo esquelético.
No músculo esquelético, a contração é controlada pelos impulsos elétricos propagados entre o sistemas nervosos (central e periférico) e os músculos. A contração de uma fibra muscular é iniciada quando os potenciais de ação neuronais chegam à junção neuromus-cular seguido de potenciais de inicio de ação que se propagam ao longo das membranas excitáveis da fibra muscular. O Potencial de Ação da Unidade Motora (MUAP) resulta da soma espacial e temporal dos potenciais de ação individuais (atividade elétrica), já que elas se espalham através das diferentes fibras musculares de uma única Unidade Motora (Merletti e Parker, 2004; Basmajian, 1962).
De acordo com Bida (Bida, 2005), um MUAP é a resposta da Unidade Motora para uma única excitação neuro-motora, enquanto que uma MUAPT (Trem de Potenciais de Ação de Unidade Motoras) é uma sequência repetitiva de estimulações das Unidades Motoras. Como o resultado de respostas motoras unitárias para o trem de impulsos é independente da sequência e a resposta total é de série aleatória, o sinal de EMG é a sobreposição de MUAPTs, e pode ser tratada como um processo estocástico (ver Figura 2.4). ∑ ∑ ∑ ∑ Fibras musculares Junção neuromuscular
Neurônio motor na medula
espinhal e do cérebro Potenciais individuais de ação Potenciais de ação de unidade motora Trens de potenciais de ação de unidade motora Sinal EMG
Figura 2.4: Participantes na contração do músculo esquelético produzindo sinal EMG. Adaptado de (Rechy-Ramirez e Hu, 2011)
uma área de recrutamento da Unidade Motora. Pode-se notar que elas se sobrepõem ligeiramente. Os círculos com linhas sólidas fechadas mais próximas da superfície da pele e, portanto, mais próximos dos eletrodos de coleta, fazem as maiores contribuições para o sinal de EMG. Quanto mais longe o sinal precisa viajar através dos tecidos do corpo antes de chegar aos eletrodos de coleta, mais resistência ele encontra. Esta resistência absorve energia, de modo que menos energia original atinge a superfície do eletrodo. Além disso, os tecidos corporais tendem a absorver componentes de maior frequência do sinal, permitindo que as frequências mais baixas passem mais facilmente. Deste modo, os tecidos do corpo proporcionam um filtro passa-baixas para o sinal.
Figura 2.5: Representação visual da atividade da Unidade Motora em relação aos eletro-dos. Adaptado de (Criswell, 2010).
Além disso, se existe tecido adiposo entre o músculo e os eletrodos, muitos compo-nentes do sinal serão absorvidos. Esta camada de gordura funciona como um isolante elétrico imperfeito entre o músculo e os eletrodos. Devido a ser um isolante imperfeito, enquanto a camada de tecido adiposo é mais espessa, menor é a quantidade de sinal que chega aos eletrodos. Por exemplo, dado o mesmo movimento e estratégia de colocação do eletrodo, é comum ver maiores valores de amplitudes de sinais EMG em uma pessoa magra do que em uma pessoa com uma espessa camada de gordura.
A correlação (r) entre a espessura da pele no local do eletrodo (uma indicação da es-pessura do tecido adiposo) e os valores de amplitude de sEMG são mais elevados (r ~ -0.5) no estado de repouso do que durante a realização de alguma tarefa (r ~ -0.25). Esta evidência indica que a camada de gordura desempenha um papel importante na interpre-tação dos valores de sinais captados em repouso do que uma coleta de sinais dinâmica.
Referente aos paramétrios elétricos, a amplitude do sinal de EMG pode variar de 0 a 10 mV (pico a pico), em função do músculo e das condições de registro. A área útil do sinal, ou seja, aquele cuja energia está acima do ruído eléctrico é limitada entre 0 e 500 Hz e possui uma região de energia dominante no intervalo 50-150 Hz (De Luca, 2002).
2.2.3
Considerações sobre Impedância em Sinais Eletromiográficos
A interface entre o eletrodo e a pele é um tema delicado. A impedância da pele é des-crita como resistência à corrente contínua (CC), qual pode variar em função da umidade da pele, do teor de óleo na superfície da pele, e da camada de células mortas existentes. Além disso, algum tipo de meio eletrolítico é geralmente utilizado para fornecer um ca-samento de impedância entre a superfície do eletrodo e a superfície da pele. Este meio é geralmente hiper-salínico e diminui a atenuação do sinal de sEMG. Se nenhum eletrólito é usado (eletrodo seco), a pele detecta a presença do objeto estranho (o eletrodo) e, even-tualmente, começa a produzir suor, proporcionando assim seu próprio meio de eletrólise (Criswell, 2010).
Em sinais sEMG, é importante manter a impedância da pele no local do eletrodo tão baixa quanto possível. Isto é comumente acompanhado limpando a pele vigorosamente com um pano com álcool. Para fins de pesquisa, a impedância no local do eletrodo deve ser inferior 10.000 Ohms. Para os experimentos apresentados nesta Dissertação a superfí-cie da pele foi lavada com álcool 70% v/v para remover qualquer impureza ou oleosidade existente. A impedância da pele, que foi medida durante a captura, era em todos os casos inferior a 6.000 Ohms, e a colocação dos eletrodos seguindo os procedimentos do proto-colo SENIAM (Surface Electromyography for the Non-Invasive Assessment of Muscles) (Sarmiento et al., 2012; SENIAM Project, 2012).
2.2.4
Amplificação Diferencial e Rejeição de Modo Comum
Uma vez que o potencial de ação do músculo tem atravessado a interface pele-eletrodo, este passa através do processo de amplificação diferencial e rejeição de modo comum. Durante a amplificação, a amplitude do sinal biológico é aumentada. Este resultado é referido como ganho.
Na amplificação diferencial, três eletrodos são necessários: dois eletrodos de coleta e um eletrodo de referência. A energia muscular que atinge os dois eletrodos de coleta de dados é comparada com o eletrodo de referência. Apenas a energia que é única para cada eletrodo de coleta é passada para o condicionamento de sinal adicional e visualização.
Quando os eletrodos são colocados em paralelo às fibras musculares, o potencial de ação emitido a partir da fibra viaja até atingir os dois eletrodos de registo em tempos di-ferentes. Assim, esta energia é única para cada um dos eléctrodos e passa posteriormente para o processo de amplificação. Em contraste, a energia que é comum a ambos os
eletro-dos, o chamado “modo comum”, é eliminado por este processo. O sinal de modo comum tipicamente vem do ruído da rede elétrica de 60 Hz.
O grau em que um amplificador diferencial é bem sucedido com relação à rejeição em modo comum é descrito pela Relação de Rejeição em Modo Comum (CMRR). Esta relação é calculada dividindo-se o ganho em modo comum (A) pelo ganho em modo diferencial (B) e, finalmente, multiplicando o logaritmo deste quociente (A/B) por 20 para expressá-lo em dB. Matematicamente, a expressão fica assim:
20 logA
B= CMRR(db)
Quanto maior for o CMRR, melhor. Na pratica, um bom CMRR está entre 90 e 140 dB.
2.2.5
Filtragem do Sinal Eletromiográfico
Uma vez que o sinal EMG passa pelos amplificadores diferenciais, estes são logo processados. O primeiro nível de processamento é conhecido como filtragem. A maioria dos instrumentos sEMG contém um filtro (Notch) de 60 Hz. Este filtro é encontrado no circuito eletrônico do equipamento sEMG (um filtro analógico) ou no software utilizado (um filtro digital).
Um filtro Notch é um filtro, tipicamente, muito estreito, entre 59-61 Hz. A finalidade deste filtro Notch é eliminar qualquer ruído da rede eléctrica (60 Hz). Infelizmente, esses filtros não são perfeitos: Se os níveis de ruído são muito grandes, eles facilmente saturam o filtro (Criswell, 2010).
O próximo filtro essencial para tratamento do sinal sEMG é o filtro passa-banda. Este filtro deixa passar apenas uma certa faixa de frequências para quantificação e visualização. Por exemplo, um típico filtro passa-banda poderia deixar passar toda a energia entre 20 Hz e 300 Hz. A frequência de corte inferior elimina grande parte do ruído elétrico associado ao ruído dos cabos associados a mudanças lentas de potenciais CC. A frequência de corte superior elimina o ruido proveniente do contato entre o eletrodo e o tecido.
Selecionar os filtros para captura de dados sEMG dependerá muito da aplicação de-vido a que algum deles serão mais eficientes que outros em certas ocasiões. Por exemplo, para sinais sEMG dos músculos do rosto, um filtro passa-banda de 25 a 500 Hz é prefe-rível porque os músculos do rosto emitem frequências maiores que 500 Hz. Esta faixa de frequências é determinada pelo raio de inervação dos músculos do rosto, juntamente
com os seus padrões de disparo repetitivos. O filtro de 100 até 200 Hz ou de 100 a 500 Hz é eficaz para eliminar ruídos de captura de frequência cardíaca, mas o filtro pode não ser eficiente para eliminar ruídos provenientes de movimentos musculares que ocorrem durante a fadiga dos mesmos, porque o espectro de frequência dos músculos desloca-se para a faixa mais lenta durante fadiga.
As duas seguintes figuras mostram duas medições de sinais sEMG: a primeira Figura 2.6(a) não possui uso de filtro, e a Figura 2.6(b) mostra um sinal de sEMG depois da aplicação de um filtro Notch.
0 20 40 60 80 100 120 -0.5 0 0.5 A m p lit u d e [ m V ] Tempo (s) sEMG - canal:2 0 100 200 300 400 500 0 1 2 3 4 5 6 7 8x 10 -5 A m p lit u d e [ m V 2/H z ] Frequência (Hz) sEMG - canal:2 0 20 40 60 80 100 120 0 0.01 0.02 0.03 0.04 0.05 0.06 A m p lit u d e [ m V ] Tempo (s) RMS - canal:2 0 10 20 30 40 -1 -0.5 0 0.5 1 A m p lit u d e [ m V ] Time (s) sEMG - channel:2 0 100 200 300 400 500 0 0.5 1 1.5 2 2.5 3 3.5 4x 10 -3 A m p lit u d e [ m V 2/H z ] Frequency (Hz) sEMG - channel:2 0 10 20 30 40 0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 A m p lit u d e [ m V ] Time (s) RMS - channel:2 (a) 0 20 40 60 80 100 120 -0.5 0 0.5 A m p lit u d e [ m V ] Time (s) sEMG - channel:2 0 100 200 300 400 500 0 1 2 3 4 5 6 7 8x 10 -5 A m p lit u d e [ m V 2/H z ] Frequency (Hz) sEMG - channel:2 0 20 40 60 80 100 120 0 0.01 0.02 0.03 0.04 0.05 0.06 A m p lit u d e [ m V ] Time (s) RMS - channel:2 0 10 20 30 40 -1 -0.5 0 0.5 1 A m p lit u d e [ m V ] Tempo (s) sEMG - canal:2 0 100 200 300 400 500 0 0.5 1 1.5 2 2.5 3 3.5 4x 10 -3 A m p lit u d e [ m V 2/H z ] Frequência (Hz) sEMG - canal:2 0 10 20 30 40 0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 A m p lit u d e [ m V ] Tempo (s) RMS - canal:2 (b)
Figura 2.6: (a) Um registro de Sinal sEMG em bruto; (b) Um registro de Sinal sEMG com filtro Notch.
2.2.6
Análise Espectral e Filtros Passa Banda
A energia dos músculos tem um espectro de frequências. Os gráficos de Densidade Espectral de Potência PSD (do inglês, Power Spectral Density) mostram as componentes de frequências do sinal de EMG em função da probabilidade da sua ocorrência. Para isso, a análise espectral utiliza uma técnica matemática denominada Transformada Rápida de
Fourier FFT (do inglês, Fast Fourier Transform) para decompor o sinal nas suas diferentes componentes de frequência.
O sinal de EMG, que chega ao amplificador diferencial compõe-se da soma de muitas Unidades Motoras. Como exemplo, tem-se o caso em que três fontes de energia simulta-neamente cheguem ao pré-amplificador. A Figura 2.7 (A) mostra as três sinais indepen-dentes, cujas frequências são 0.5, 1.0 e 1.5 Hz. A Figura 2.7 (B) mostra uma composição dos três sinais. Uma análise espectral FFT é feita sobre este sinal composto, decom-pondo a energia num gráfico espectral mostrado na Figura 2.8, o qual mostra que o sinal composto é formado pelas três frequências de 0.5, 1.0 e 1.5 Hz.
Figura 2.7: (A) Três sinais independentes de 0.5, 1.0 e 1.5 Hz; (B) O sinal composto das mesmas. Adaptado de (Criswell, 2010).
O gráfico de densidade espectral de potência para um músculo mostra a magnitude do sinal em cada frequência, e indica a forma como é predominante a energia muscular nessa frequência. Por exemplo, quando um músculo se contrai, um filtro de 20-300 Hz representa quase toda a energia no espectro do músculo. Se fizermos uso de um filtro passa-banda de 100-200 Hz, no entanto, observaríamos apenas uma parte da energia do músculo.
2.2.7
Etapas do Processamento de Sinais sEMG
De acordo como foi comentado anteriormente, a Figura 2.9 mostra um resumo das etapas de processamento para controle mioelétrico. Estas etapas serão explicadas com mais detalhes nas seções posteriores.
Figura 2.8: Densidade espectral de potência do sinal composto da figura anterior. Adap-tado de (Criswell, 2010). Etapa 1 Aquisição e segmentação de dados Etapa 2 Extração de características Etapa 3 Classificação Etapa 4 Aplicações de controle Sinal em bruto
Bio-Sinais Vetor de características Sinal Completa Comandos
reduzidas Categorias
Redução de dimensionalidade
Pré-processamento
Figura 2.9: Resumo das etapas de processamento do sinal sEMG.
2.3
Etapa 1: Aquisição e Segmentação de dados
A primeira fase de um sistema de controle mioelétrico é a aquisição e segmentação dos dados. Uma vez que tenhamos os dados coletados, e estes passem a través de uma etapa de pre-processamento (amplificação, filtragem e amostragem), a segunda fase é dividir o sinal em segmentos representativos, com o objetivo de extrair as suas características importantes.
2.3.1
Aquisição de Dados EMG
Em (Sörnmo e Laguna, 2005), explica-se que os sinais mioelétricos podem ser adqui-ridos de duas formas:
• Invasiva, através da inserção de um eletrodo de agulha através da pele diretamente ao músculo. Esta técnica é uma ferramenta clínica padrão utilizada principalmente
para fins de diagnóstico, uma vez que proporciona uma alta resolução, e uma des-crição localizada da atividade elétrica dos músculos, embora seja relativamente do-lorosa para o paciente.
• Não invasiva, através da colocação de um eletrodo de superfície sobre a pele que recobre o músculo em estudo. A resolução espacial desta técnica é mais limitada do que a invasiva, e o conteúdo de alta frequência de um MUAP é diminuído leve-mente.
A Figura 2.10 mostra os diferentes tipos de eletrodos existentes no mercado para as diferentes aplicações em EMG.
(a) (b)
(c)
Figura 2.10: (a) Eletrodo passivo superficial; (b) Eletrodo passivo invasivo; (c) Eletro-dos ativos superficiais. Fotografia Eletro-dos eletroEletro-dos da empresa Delsys (esquerda) e Touch Bionics, Inc. (direita).
Nesta Dissertação de Mestrado, o estudo incidirá apenas em sinais eletromiográficos de superfície (sEMG).
2.3.2
Segmentação de Dados EMG
De acordo com (Oskoei e Hu, 2008a), existem dois métodos de segmentação EMG: segmentação separada e segmentação sobreposta. Na segmentação separada, segmentos
disjuntos com um comprimento predefinido são utilizados para a extração de caracte-rísticas. Por outro lado, na segmentação sobreposta, o novo segmento desliza-se sobre o segmento atual, com um incremento (intervalo de tempo entre dois segmentos conse-cutivos) de tempo menor do que o comprimento do segmento, e maior do que o tempo de processamento. Assim, a segmentação separada está associada com o comprimento do segmento, enquanto que a segmentação sobreposta está associada com o tempo e o
incremento, como mostrado na Figura 2.11.1958 IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING, VOL. 55, NO. 8, AUGUST 2008
Fig. 1. Disjoint (left) and overlapped (right) segmentation.
III. M
ETHODOLOGYThis section introduces methods applied for data collection,
experiments, and analysis. It is comprised of different sections
for data acquisition, data segmentation, feature selection,
clas-sification, postprocessing, and evaluation.
A. Data Acquisition
A four-channel MES was collected from four locations on a
forearm (i.e., biarticulate wrist flexor and triarticulate and
biar-ticulate wrist extensor muscles), using bipolar active electrodes
(Biometrics, Ltd., SX230). An active electrode has a
preampli-fier with gain 1000, which can differentiate between a small
signal of interest and much larger interference signals that are
present on the skin. It also has a very high input impedance
to cope with mismatches in skin contact resistance. Signals are
passed through a high-pass filter with a cutoff frequency of
20 Hz to remove dc offsets due to membrane potentials, and to
minimize interference due to electrode movement. A low-pass
filter is used to remove unwanted frequencies above 450 Hz,
and a notch filter used to remove unwanted line-frequencies
(50/60 Hz). An electrode was also placed on the wrist,
provid-ing a common ground reference. Signals were sampled at 1000
Hz using a 12-b A/D converter.
Data were collected from 11 healthy subjects. Each subject
performed five limb motions, and rest to provide six distinct
states (i.e., classes). The motions were isotonic and comprised of
flexion, extension, abduction, adduction, and keeping the hand
straight. Two sequences of six motions in which each motion
was held fixed for the five seconds are called a block. Four
blocks of data were gathered from subjects in each session. Two
sessions were conducted for each subject, and in each session,
the accuracy of classification was computed using a fourfold
cross-validation method.
B. Data Segmentation
A segment is a sequence of data limited in a time slot,
which is used to estimate signal features. A short length of
segment leads to bias and variance in feature estimation; while
a long one imposes high computational load and a likely
fail-ure to perform real-time operation. Real-time constraints
en-force a delay time of less than 300 ms between the onset of
muscle contraction made by a subject, and a corresponding
motion in a device [3]. It should be noted that the minimum
interval between two distinct contractions is approximately
200 ms [29], [30]. This means that a segment of MES data
with a length of 200 ms (or more) contains enough information
to estimate a motion state of the hand. A segment length equal
to or less than 200 ms leaves enough time (at least 100 ms)
for the computation of features, classification, and generation
of control commands, plus a device response time to maintain a
real-time smooth motion control scheme.
However, a segment larger than 200 ms necessitates
over-lapped segmentation [1], [2] in order to avoid failure in real-time
operation. The application of overlapped segmentation
facili-tates the employment of large segments (greater than 200 ms)
for real-time control; however, computational load is still a
mat-ter of fact. Two methods of segmentation, namely, disjoint and
overlapped segmentation, are illustrated in Fig. 1. Disjoint
seg-mentation is associated with segment length, while overlapped
segmentation is associated with length and increment. The
in-crement is the time interval between two consecutive segments.
It should be less than the segment length, and more than the
processing time.
The first experiment in which the accuracy of classifications
with a segment length of 50, 100, 150, 200, 300, and 500 ms
were examined, investigates the influence of the segment length
on classification (for different features). For segment lengths of
50, 100, 150, and 200 ms, disjoint segmentation was applied,
while for lengths of 300 and 500 ms, overlapped segmentation
with an increment of 200 ms was applied. Since an MES has an
undetermined state between two levels of contraction, most
clas-sification error belongs to the transition period between classes.
Hence, to avoid contradictory data during transition between
motions, one segment of the transition period was eliminated
from the training data. This means that classification relies on a
steady state of muscle contraction.
C. Feature Selection
Because of the significance of features during classification,
feature selection is an essential stage in myoelectric control
de-sign. A significant amount of literatures investigates or compares
various features of TD, frequency-domain (FD), and time-scale,
for myoelectric control [1], [2], [25]. Features should be
capa-ble of presenting the characteristics or properties of a signal
for different limb motions. Computational load should also be
considered in the real-time applications. In this work, the
rel-ative performance of various single features and feature sets
(multifeatures) is determined in the context of an SVM-based
classifier.
(a)
1958 IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING, VOL. 55, NO. 8, AUGUST 2008
Fig. 1.
Disjoint (left) and overlapped (right) segmentation.
III. M
ETHODOLOGY
This section introduces methods applied for data collection,
experiments, and analysis. It is comprised of different sections
for data acquisition, data segmentation, feature selection,
clas-sification, postprocessing, and evaluation.
A. Data Acquisition
A four-channel MES was collected from four locations on a
forearm (i.e., biarticulate wrist flexor and triarticulate and
biar-ticulate wrist extensor muscles), using bipolar active electrodes
(Biometrics, Ltd., SX230). An active electrode has a
preampli-fier with gain 1000, which can differentiate between a small
signal of interest and much larger interference signals that are
present on the skin. It also has a very high input impedance
to cope with mismatches in skin contact resistance. Signals are
passed through a high-pass filter with a cutoff frequency of
20 Hz to remove dc offsets due to membrane potentials, and to
minimize interference due to electrode movement. A low-pass
filter is used to remove unwanted frequencies above 450 Hz,
and a notch filter used to remove unwanted line-frequencies
(50/60 Hz). An electrode was also placed on the wrist,
provid-ing a common ground reference. Signals were sampled at 1000
Hz using a 12-b A/D converter.
Data were collected from 11 healthy subjects. Each subject
performed five limb motions, and rest to provide six distinct
states (i.e., classes). The motions were isotonic and comprised of
flexion, extension, abduction, adduction, and keeping the hand
straight. Two sequences of six motions in which each motion
was held fixed for the five seconds are called a block. Four
blocks of data were gathered from subjects in each session. Two
sessions were conducted for each subject, and in each session,
the accuracy of classification was computed using a fourfold
cross-validation method.
B. Data Segmentation
A segment is a sequence of data limited in a time slot,
which is used to estimate signal features. A short length of
segment leads to bias and variance in feature estimation; while
a long one imposes high computational load and a likely
fail-ure to perform real-time operation. Real-time constraints
en-force a delay time of less than 300 ms between the onset of
muscle contraction made by a subject, and a corresponding
motion in a device [3]. It should be noted that the minimum
interval between two distinct contractions is approximately
200 ms [29], [30]. This means that a segment of MES data
with a length of 200 ms (or more) contains enough information
to estimate a motion state of the hand. A segment length equal
to or less than 200 ms leaves enough time (at least 100 ms)
for the computation of features, classification, and generation
of control commands, plus a device response time to maintain a
real-time smooth motion control scheme.
However, a segment larger than 200 ms necessitates
over-lapped segmentation [1], [2] in order to avoid failure in real-time
operation. The application of overlapped segmentation
facili-tates the employment of large segments (greater than 200 ms)
for real-time control; however, computational load is still a
mat-ter of fact. Two methods of segmentation, namely, disjoint and
overlapped segmentation, are illustrated in Fig. 1. Disjoint
seg-mentation is associated with segment length, while overlapped
segmentation is associated with length and increment. The
in-crement is the time interval between two consecutive segments.
It should be less than the segment length, and more than the
processing time.
The first experiment in which the accuracy of classifications
with a segment length of 50, 100, 150, 200, 300, and 500 ms
were examined, investigates the influence of the segment length
on classification (for different features). For segment lengths of
50, 100, 150, and 200 ms, disjoint segmentation was applied,
while for lengths of 300 and 500 ms, overlapped segmentation
with an increment of 200 ms was applied. Since an MES has an
undetermined state between two levels of contraction, most
clas-sification error belongs to the transition period between classes.
Hence, to avoid contradictory data during transition between
motions, one segment of the transition period was eliminated
from the training data. This means that classification relies on a
steady state of muscle contraction.
C. Feature Selection
Because of the significance of features during classification,
feature selection is an essential stage in myoelectric control
de-sign. A significant amount of literatures investigates or compares
various features of TD, frequency-domain (FD), and time-scale,
for myoelectric control [1], [2], [25]. Features should be
capa-ble of presenting the characteristics or properties of a signal
for different limb motions. Computational load should also be
considered in the real-time applications. In this work, the
rel-ative performance of various single features and feature sets
(multifeatures) is determined in the context of an SVM-based
classifier.
(b)
Figura 2.11: (a) Segmentação separada; (b) Segmentação sobreposta. Extraído de (Oskoei e Hu, 2008a).
(Christodoulou e Pattichis, 1999) usaram uma janela de comprimento constante e um algoritmo de segmentação que calcula um limiar dependente do valor máximo e do valor médio absoluto do sinal EMG completo. Picos que excedem o limiar calculado foram considerados como segmentos candidatos. (Gut e Moschytz, 2000) utilizaram uma janela deslizante no tempo para determinar o início e o fim de um segmento. Se o declive médio dentro desta janela ultrapassa um determinado limiar, o início de um segmento é
detectado, enquanto que o fim de um segmento é atingido quando a variação total do sinal EMG, dentro da janela, consegui ficar abaixo de outro limite.
(Oskoei e Hu, 2008a) avaliaram a segmentação disjunta e sobreposta, comparando o desempenho de classificação sobre segmentos disjuntos e sobrepostos (entre 50 ms e 200 ms), e com incrementos de 50 ms. Os resultados mostraram que a segmentação separada com um comprimento de 200 ms fornece um alto desempenho durante classificação de sinais EMG, e um tempo de resposta razoável para aplicações em tempo real, enquanto que a segmentação sobreposta, com um comprimento de 200 ms e um incremento de 50 ms, encurta o tempo de resposta sem degradação perceptível na precisão.
(Kaur et al., 2009) analisaram três técnicas de segmentação EMG: 1) por meio da identificação dos picos das MUAPs; 2) encontrando o Ponto de Inicial de Extração BEP (do inglês, Beginning Extraction Point) e o Ponto Final de Extração EEP (do inglês, En-ding Extraction Point) das MUAPs; e 3) usando Transformada Wavelet Discreta TWD (do inglês, Discrete Fourier Transform). Na primeira técnica, o sinal de EMG foi segmentado utilizando um algoritmo que detecta áreas de baixa atividade e MUAPs candidatas; na segunda técnica identificou-se os BEPs e os EEPs das possíveis MUAPs por meio do deslizamento de uma janela ao longo do sinal; e na terceira técnica, o sinal EMG foi de-composto com a ajuda da Wavelet Daubechies4 (db4) para detectar MUAPs. Em geral, a primeira técnica teve o melhor desempenho, com uma taxa de acerto total de 95, 90%, em comparação com percentagens de 75, 39% e de 66, 64% para a segunda e terceira, respectivamente.
2.4
Etapa 2: Extração de Características
A etapa de extração de características implica a transformação do sinal bruto em uma estrutura de informação relevante, chamado vetor característico, através da eliminação de ruído e destacando os dados importantes do sinal. Além disso, também pode implicar um processo de "redução de dimensionalidade", o qual elimina informação redundante, a partir do vetor característico, com o objetivo de facilitar o processo de classificação.
De acordo com (Zecca et al., 2002), existem três grandes grupos de características em sistemas de controle EMG: a) Domínio do tempo; b) Domínio da frequência; e c) no Domínio tempo-frequência. A Tabela 2.1 mostra as principais técnicas de extração de características encontradas na literatura.
Tabela 2.1: Técnicas de extração de características para sistemas de controle EMG.
Tipos Característica
Integral de EMG (IEMG) Valor Médio Absoluto (MAV)
Valor Médio Absoluto Modificado 1 (MMAV1) Valor Médio Absoluto Modificado 2 (MMAV2) Inclinação do Valor Médio Absoluto (MAVS) Raiz Média Quadrática (RMS)
Domínio do Tempo Variância (VAR)
Comprimento de Forma de Onda (WL) Cruzamentos de Zero (ZC)
Mudanças de Sinal de Inclinação (SSC) Amplitude Willison (WAMP)
Integral Quadrática Simples (SSI) Histograma de EMG (HEMG) Mediana da Frequência (FMD) Frequência Média (FMN)
Mediana da Frequência Modificada (MFMD) Domínio da Frequência Frequência Média Modificada (MFMN)
Relação de frequência (FR)
Densidade espectral de potência (PSD) Potência Média (PMED)
Potência máxima (PMAX) Discriminante Bi-espectral (DBS) Coeficientes Auto-Regressivos (AR) Short Time Fourier Transform (STFT) Domínio Tempo-Frequência Transformada Wavelet (WT)
Transformada Wavelet Packet (WPT) Outros Filtragem Espacial (FS)
Dimensão Fractal (DF)
2.4.1
Domínio do Tempo
As características no domínio do tempo são as mais populares no reconhecimento de padrões EMG, porque elas são fáceis e rápidas de calcular, devido ao fato de não precisar de transformação alguma. As características no domínio do tempo são calculadas baseadas nos valores da amplitude do sinal, oferecendo valores resultantes da amplitude da forma de onda, da frequência e da duração do sinal, entro outros parâmetros limitados (Oskoei e Hu, 2006).
• Integral de EMG (IEMG). Do inglês, Integral of EMG. Este parâmetro pode ser obtido por meio da somatória dos valores absolutos dos sinais de EMG, e pode ser visto como um estimador da potência do sinal. É definida como (Huang e Chen, 1999):
IEMGk=
N
∑
i=1|xi| (2.1)
onde xi é o valor de cada parte do segmento k, e N representa o comprimento do
segmento.
• Valor Médio Absoluto (MAV). Do inglês, Mean Amplitude Value. Estima o valor médio absoluto de um sinal MAVk, através da soma do valor absoluto de todos os
valores de xi, em um segmento de k, e dividindo pelo comprimento do segmento N
(Englehart e Hudgins, 2003). MAVk= 1 N N
∑
i=1 |xi| (2.2)• Valor Médio Absoluto Modificado 1 (MMAV1). Do inglês, Modified Mean Abso-lute Value 1é uma extensão do MAV, que usa a função de janela de ponderação wi
(Phinyomark et al., 2009). MMAV1k= 1 N N
∑
i=1 wi|xi| (2.3) w(i) = ( 1, 0.25N ≤ i ≤ 0.75N 0.5, de outra forma• Valor Médio Absoluto Modificado 2 (MMAV2). Do inglês, Modified Mean Abso-lute Value 2. Outra extensão do MAV, mas aqui a função de janela de ponderação wi
é melhorada, devido ao fato de ser uma função contínua (Phinyomark et al., 2009).
MMAV2k= 1 N N
∑
i=1 wi|xi| (2.4) w(i) = 1, 0.25N ≤ i ≤ 0.75N 4i/N, 0.25N > i 4(i − N)/N, 0.75N < i• Inclinação do Valor Médio Absoluto (MAVS). Do inglês, Mean Absolute Value Slope. Calcula a diferença entre os valores da média absoluta dos segmentos adja-centes k + 1 e k (Phinyomark et al., 2009).
