Parkinson sEMG signal prediction and generation with Neural Networks

• Rafael Anicet Zanini UNICAMP
• Esther Luna Colombini UNICAMP

DOI: https://doi.org/10.5753/sbcas.2021.16102

Resumo

A Doença de Parkinson (DP) é uma doença neurodegenerativa caracterizada por sintomas como tremores de repouso e de ação, que causam graves prejuízos à vida do paciente. Recentemente, diversas dispositivos assistivos têm sido propostos para minimizar o impacto da doença na vida dos pacientes. No entanto, a maioria desses depende de dados da eletromiografia de superfície (sEMG) do paciente, que são escassos. Neste trabalho, propomos os primeiros métodos, baseados em Redes Neurais, para prever e gerar sinais de sEMG de pacientes com Parkinson (PP). Ainda, aprendemos o estilo do tremor no sinal de sEMG destes pacientes, transferindo o mesmo para criar novas amostras a partir de dados de pacientes saudáveis. Esta dissertação contribui para a área i) comparando diferentes modelos para predizer sinais sEMG de pacientes com Parkinson para antecipar padrões de tremor em repouso; ii) propondo a primeira abordagem baseada em Redes Adversariais Generativas Convolucionais Profundas (DCGANs) para gerar sinais de sEMG da doença de Parkinson; iii) aplicando a transferência de estilo (ST) para aumentar o conjunto de sinais sEMG de PPs a partir de dados disponíveis publicamente de indivíduos nãoPP; iv) propondo uma métrica para avaliar a caracterização do sinal de sEMG da doença de Parkinson. Os novos dados criados por nossos métodos podem validar abordagens de tratamento em diferentes cenários de movimento, contribuindo para o desenvolvimento de novas técnicas de supressão de tremor em pacientes.

Referências

Bó, A. P. L. (2010). Compensation active de tremblements pathologiques des membres supérieurs via la stimulation électrique fonctionnelle. PhD thesis, Université Montpellier II.

Gatys, L. A., Ecker, A. S., and Bethge, M. (2015). A neural algorithm of artistic style. ArXiv, abs/1508.06576.

Guerrero, A. and Macías-Díaz, J. E. (2019). A package for the computational analysis of complex biophysical signals. International Journal of Modern Physics C, 30(01):1950005.

Johnson, J., Alahi, A., and Fei-Fei, L. (2016). Perceptual losses for real-time style transfer and super-resolution. In ECCV.

Organization., W. H. (2006). Neurological disorders: public health challenges.

Petersen, E. and Rostalski, P. (2019). A comprehensive mathematical model of motor unit pool organization, surface electromyography, and force generation. Frontiers in Physiology, 10:176.

Semmlow, J. L. and Griffel, B. (2014). Biosignal and Medical Image Processing. CRC Press.

Zanini, R. A. (2020). Previsão e geração de sinais emg de parkison com redes neurais. Master’s thesis, UNICAMP.

Zanini, R. A. and Colombini, E. L. (2020). Parkinson’s disease emg data augmentation and simulation with dcgans and style transfer. Sensors, 20(9).

Zanini, R. A., Colombini, E. L., and de Castro, M. C. F. (2019). Parkinson’s disease emg signal prediction using neural networks. In 2019 IEEE International Conference on Systems, Man and Cybernetics (SMC), pages 2446–2453.