Komputerowo wspomagana klasyfikacja wybranych sygnałów elektromiografii powierzchniowej

• Autorzy: Rzyman G. , Redlarski G. , Krawczuk M.

Warianty tytułu

EN

Computer-assisted classification of selected surface electromyography signals

• Języki publikacji: PL

Abstrakty

PL

Wykorzystywanie sygnałów elektromiografii powierzchniowej (ang. Surface Electromyography, SEMG) w procesach sterowania systemami rehabilitacyjnymi stanowi obecnie standardową procedurę. Popularność SEMG wynika z nieinwazyjności metody oraz możliwości szybkiej i precyzyjnej identyfikacji funkcji mięśniowej. W przypadku osób małoletnich proces klasyfikacji sygnałów jest utrudniony ze względu na mniejsze rozmiary i wyższą dynamikę aktywności włókien mięśniowych niż u osób dorosłych. W związku z powyższymi uwagami, w artykule przedstawiono wyniki badań zwiększających wskaźnik poprawnej klasyfikacji wybranych ruchów dłoni dzieci. Omówiono zastosowane do tego celu modele matematyczne: k-najbliższych sąsiadów, drzewo decyzyjne oraz metodę wektorów nośnych; a także zastosowane miary i metodykę „strojenia” parametrów modeli.

EN

Overarching objective of this paper is classification of basic hand gestures by surface electromyography for healthy children. Main difference between biosignals corresponding to adults and children muscle activity is disparate growth of muscles. For this reason youngsters need separate method of signals classification. In this paper we decide to create a mathematical model and compare three classification method: a support vector machine, k nearest neighbors and decision tree methods. Furthermore we used the best set of time domain (MAV, WAMP, WL and SSC) and selected several parameters to make each model as good as possible.

Słowa kluczowe

PL

sterowanie; klasyfikacja sygnałów; elektromiografia powierzchniowa

EN

control; signal classification; surface electromyography

• Wydawca: Polskie Towarzystwo Mechaniki Teoretycznej i Stosowanej. Oddział Gliwice
• Czasopismo: Modelowanie Inżynierskie
• Rocznik: 2017
• Tom: T. 31, nr 62
• Strony: 81--87
• Opis fizyczny: Bibliogr. 19 poz.

Twórcy

autor

Rzyman G.

• Katedra Mechatroniki i Inżynierii Wysokich Napięć

autor

Redlarski G.

• Katedra Mechatroniki i Inżynierii Wysokich Napięć

autor

Krawczuk M.

Bibliografia

• 1. Ahsan Md R., Muhammad I., Othman K.: EMG signal classification for human computer interaction: a review. “European Journal of Scientific Research” 2009, Vol. 33, No.3, p. 480-501.
• 2. Ercan G., Subasi A.: Comparison of decision tree algorithms for EMG signal classification using DWT. “Biomedical Signal Processing and Control” 2015, Vol. 18, p. 138-144.
• 3. Fougner A., Stavdahl O., Kyberd P., Losier Y., Parker P. : Control of upper limb prostheses: terminology and proportional myoelectric control-a review. “IEEE Transactions on neural systems and rehabilitation engineering” 2012, Vol. 20, No. 5, p. 663-677.
• 4. Gijsberts A., Atzori M., Castellini C., Muller H., Caputo B. : Movement error rate for evaluation of machine learning methods for sEMG-based hand movement classification. “IEEE Transactions on Neural Systems and Rehabilitation Engineering” 2014, Vol. 22, No. 4, p. 735-744.
• 5. Granata K., Darin P., Mark A.: Repeatability of surface EMG during gait in children. “Gait & Posture” 2005, Vol. 22, No. 4, p. 346-350.
• 6. Güler N., Sabri K.: Classification of EMG signals using PCA and FFT. “Journal of Medical Systems” 2005, Vol.29, No. 3, p. 241-250.
• 7. Mohammad T., Hasan M. : Comparison between kNN and SVM for EMG Signal Classification. „International Journal on Recent and Innovation Trends in Computing and Communication (IJRITCC)” 2015, Vol. 3, No. 12, p. 6799-6801.
• 8. Muhammad F., Rashid N., Akhtar H., Muhammad Z., Gilani S., Ansari U..: Evaluation of LDA, QDA and decision trees for multifunctional controlled below elbow prosthetic limb using EMG signals. “Robotics and Emerging Allied Technologies in Engineering (iCREATE)” 2014, International Conference on. IEEE, 2014.
• 9. Palkowski, A., Redlarski, G.: Basic Hand Gestures Classification Based on Surface Electromyography. “Computational and mathematical methods in medicine” 2016, DOI 10.1155/2016/6481282.
• 10. Phinyomark A., Quaine F., Charbonnier S., Serviere C., Tarpin-Bernard F., Laurillau Y. : EMG feature evaluation for improving myoelectric pattern recognition robustness. “Expert Systems with Applications” 2013, Vol. 40, No. 12, p. 4832-4840.
• 11. Redlarski G., Gradolewski D., Palkowski A.: A system for heart sounds classification. “PloS one” 2014, Vol. 9 No.11, DOI 10.1371/journal.pone.0112673.
• 12. Safavian R., and Landgrebe D.: A survey of decision tree classifier methodology. “IEEE transactions on systems, man, and cybernetics” 1991, Vol. 21, No. 3, p. 660-674.
• 13. Sobota G.: Elektromiografia i jej zastosowanie w zaburzeniach aparatu żucia. „Twój Przegląd Stomatologiczny” 2012, Vol. 6, p. 57-61.
• 14. Subasi A.: Classification of EMG signals using combined features and soft computing techniques. “Applied soft computing” 2012, Vol. 12, No. 8, p. 2188-2198.
• 15. Subasi A.: Classification of EMG signals using PSO optimized SVM for diagnosis of neuromuscular disorders. “Computers in biology and medicine” 2013, Vol. 43, No. 5, p. 576-586.
• 16. Tojza P. : Komputerowo wspomagana analiza przebiegów pH-metrii i pH-metrii z impedancją. Rozprawa doktorska, Gdańsk 2016, p. 65-73.
• 17. Tsenov G., Zeghbib A., Palis F., Shoylev N., Mladenov V. : Neural networks for online classification of hand and finger movements using surface EMG signals. “Neural Network Applications in Electrical Engineering” 2006, NEUREL 2006. 8th Seminar on. IEEE, 2006.
• 18. Wu M., Liao L., Luo X., Ye X., Yao Y., Chen P., Shi L., Huang H., Wu Y. : Analysis and classification of stride patterns associated with children development using gait signal dynamics parameters and ensemble learning algorithms. “BioMed research international” 2016, DOI 10.1155/2016/9246280.
• 19. Young A., Smith L., Rouse E., Hargrove L. : Classification of simultaneous movements using surface EMG pattern recognition. “IEEE Transactions on Biomedical Engineering” 2013, Vol. 60, No. 5, p. 1250-1258.