Redução de Dimensionalidade para Reconhecimento de Padrões Eletromiográficos de Movimentos dos Dedos da Mão

• Ana Cláudia Rezende Universidade Federal de Goiás
• Henrique Corrêa Universidade Federal de Goiás
• Flávio Henrique Vieira Universidade Federal de Goiás

DOI: https://doi.org/10.5753/erigo.2020.13868

Resumo

O reconhecimento de padrões de sinais eletromiográficos (EMG) é ferramenta importante na detecção de anormalidades e controle de próteses. Ademais, a projeção dos dados e redução de dimensionalidade atuam diretamente na classificação, que pode auxiliar no reconhecimento de padrões. Propõe-se a implementação e análise comparativa dos métodos análise discriminante linear (LDA) e análise de componentes principais (PCA), em conjunto com o classificador probabilístico K-vizinho mais próximo (KNN), para classi- ficação de uma base de dados de sinais EMG de movimentos dos dedos da mão. Resultados apontam melhor desempenho do PCA em conjunto com o KNN na redução de dimensionalidade e classificação dos sinais EMG.

Referências

ALPAYDIN, E. Introduction to Machine Learning. [S.l.]: MIT Press, 2010.

CACIOPPO, J. T.; DORFMAN, D. D. Waveform moment analysis in psychophysiological research. Psychological Bulletin, American Psyc. Assoc., v. 102, n. 3, p. 421, 1987.

CHAN, A. D.; GREEN, G. C. Myoelectric control development toolbox. CMBES Proceedings, v. 30, 2007.

CHU, J.-U.; MOON, I.; MUN, M.-S. A supervised feature projection for real-time multifunction myoelectric hand control. In: IEEE. 2006 International Conference of the IEEE Engineering in Medicine and Biology Society. [S.l.], 2006. p. 2417–2420.

ENGLEHART, K.; HUDGINS, B. A robust, real-time control scheme for multifunction myoelectric control. IEEE transactions on biomedical engineering, IEEE, v. 50, n. 7, p. 848–854, 2003.

GRAUPE, D.; CLINE, W. K. Functional separation of emg signals via arma identification methods for prosthesis control purposes. IEEE Transactions on Systems, Man, and Cybernetics, IEEE, n. 2, p. 252–259, 1975.

HJORTH, B. Eeg analysis based on time domain properties. Electroencephalography and clinical neurophysiology, Elsevier, v. 29, n. 3, p. 306–310, 1970.

HUDGINS, B.; PARKER, P.; SCOTT, R. N. A new strategy for multifunction myoelectric control. IEEE transactions on biomedical engineering, IEEE, v. 40, n. 1, p.82–94, 1993.

KHUSHABA, R. N. et al. Electromyogram (emg) based fingers movement recognition using neighborhood preserving analysis with qr-decomposition. In: IEEE. 2011 Seventh International Conference on Intelligent Sensors, Sensor Networks and Information Processing. [S.l.], 2011. p. 1–105.

KHUSHABA, R. N. et al. Toward improved control of prosthetic fingers using surface electromyogram (emg) signals. Expert Systems with Applications, Elsevier, v. 39, n. 12, p. 10731–10738, 2012.

SARIDIS, G. N.; GOOTEE, T. P. Emg pattern analysis and classification for a prosthetic arm. IEEE Transactions on Biomedical Engineering, IEEE, n. 6, p. 403–412, 1982.

TENORE, F. V. et al. Decoding of individuated finger movements using surface electromyography. IEEE transactions on biomedical engineering, IEEE, v. 56, n. 5, p. 1427–1434, 2008.

YAN, S. et al. Graph embedding and extensions: A general framework for dimensionality reduction. IEEE transactions on pattern analysis and machine intelligence, IEEE, v. 29, n. 1, p. 40–51, 2006.

YANG, L. et al. Nonparametric dimension reduction via maximizing pairwise separation probability. IEEE Transactions on Neural Networks and Learning Systems, IEEE, v. 30, n. 10, p. 3205–3210, 2019.

YOUSEFI, J.; HAMILTON-WRIGHT, A. Characterizing emg data using machine-learning tools. Computers in biology and medicine, Elsevier, v. 51, p. 1–13, 2014.

ZHANG, D. et al. A comparative study on pca and lda based emg pattern recognition for anthropomorphic robotic hand. In: IEEE. 2014 IEEE International Conference on Robotics and Automation (ICRA). [S.l.], 2014. p. 4850–4855.