Diseño e implementación de una metodología para la adquisición, clasificación e interpretación de señales electromiográficas para personas con algún tipo de discapacidad o amputación de mano

El propósito de este trabajo es establecer una metodología para adquirir, clasificar e interpretar señales electromiográficas en personas con discapacidades o amputaciones de mano, con el objetivo de desarrollar un modelo de clasificación óptimo para aplicaciones de prótesis de mano electromecánica o rehabilitación de amputados. Nuestro enfoque se basó en una base de datos pública que contenía señales mioeléctricas de 50 movimientos diferentes de 40 individuos sanos y 11 amputados. Para lograrlo, empleamos cuatro conjuntos de características en el dominio del tiempo (TD) y dos estructuras de redes neuronales profundas (Deep Learning): una Red Neuronal Artificial (ANN) y una Red Neuronal Convolucional (CNN). Estas redes se eligieron debido a su desempeño probado en la literatura. Dado que nuestra aplicación involucra la toma de decisiones en intervalos cortos de tiempo, trabajamos con dos segmentaciones de ventana diferentes, de 200 ms y 150 ms respectivamente. Además, en el caso de las redes CNN, introdujimos una variable adicional: la forma de estructurar las imágenes para crear la base de datos de entrenamiento y validación. Exploramos cuatro tipos de imágenes, uno de los cuales fue propuesto por nosotros por primera vez en la literatura. Para evaluar los resultados, consideramos todas las combinaciones posibles de características, estructura de red neuronal, segmentación de ventana y tipo de formación de imágenes. Nuestros hallazgos generales fueron los siguientes: 1) La CNN demostró el mejor rendimiento tanto para personas sanas como amputadas, 2) El grupo de características en el dominio del tiempo que utiliza información del espectro de potencia de una señal (TD-PSD), propuesto por primera vez en este trabajo, arrojó los mejores resultados, 3) La segmentación de ventana de 150 ms fue la más efectiva en todos los casos, 4) El tipo de imagen más eficaz fue una variante propuesta que reorganiza los canales de adquisición y las características extraídas mediante un algoritmo de adyacencia. Además, como parte de nuestra metodología, evaluamos el rendimiento del modelo de clasificación eliminando iterativamente los datos de los movimientos con menor rendimiento. Esto nos permitió concluir que el rendimiento general del modelo mejora a medida que se excluyen los datos de los movimientos menos efectivos, y que los movimientos de mejor rendimiento varían de persona a persona. En resumen, proponemos una metodología de clasificación de señales electromiográficas basada en los hallazgos mencionados en este estudio.

The purpose of this work is to establish a methodology for acquiring, classifying, and interpreting electromyographic signals in individuals with hand disabilities or amputations, with the aim of developing an optimal classification model for electromechanical hand prosthetic applications or amputee rehabilitation. Our approach was based on a publicly available database containing myoelectric signals from 50 different movements of 40 healthy individuals and 11 amputees. To achieve this, we employed four sets of features in the time domain (TD) and two deep neural network structures (Deep Learning): an Artificial Neural Network (ANN) and a Convolutional Neural Network (CNN). These networks were chosen due to their proven performance in the literature. Since our application involves decision-making in short time intervals, we worked with two different window segmentations, 200 ms and 150 ms, respectively. Furthermore, in the case of CNNs, we introduced an additional variable: the way to structure images to create the training and validation database. We explored four types of images, one of which was proposed by us for the first time in the literature. To evaluate the results, we considered all possible combinations of features, neural network structure, window segmentation, and image formation type. Our overall findings were as follows: 1) CNN demonstrated the best performance for both healthy and amputated individuals, 2) The set of features in the time domain that uses information from the power spectrum of a signal (TD-PSD), proposed for the first time in this work, yielded the best results, 3) The 150 ms window segmentation was the most effective in all cases. 4) The most effective image type was a proposed variant that rearranges acquisition channels and extracted features using an adjacency algorithm. Additionally, as part of our methodology, we iteratively evaluated the classification model's performance by removing data from movements with lower effectiveness. This allowed us to conclude that the overall model performance improves as less effective movement data is excluded, and that the movements with the best performance vary from person to person. In summary, we propose a methodology for the classification of electromyographic signals based on the findings mentioned in this study.