Impact of sEMG Time-series Segmentation Parameters on the Recognition of Hand Gestures

Abstract

A eletromiografia de superfície (EMs) tem sido
um sinal amplamente pesquisado para o controle de próteses. Esse processo
é baseado nas etapas de processamento de sEMG como segmentação,
extração de características e classificação, que reconhece esses biossinais em
gestos a serem realizados para a prótese. Dentre esses processos, a
segmentação é uma etapa fundamental, porém algumas variáveis
não são exploradas, com o objetivo de melhorar o desempenho da classificação.
Neste trabalho, analisou-se a influência da
segmentação sobreposta da EMGs no reconhecimento de padrões para gestos manuais utilizados para
controlar uma prótese de flexão superior. Dados de seis
gestos comumente usados foram adquiridos pela braçadeira comercial de 8 canais (Myo
Thalmic Labs) de 7 indivíduos no antebraço. Os
parâmetros de segmentação avaliados foram o comprimento da janela, a fração de sobreposição
e o comprimento total do sinal (truncamento).
Foram extraídas quatro características do domínio do tempo : escala L, comprimento máximo do fractal,
valor médio do quadrado da raiz e amplitude de Willison. Os classificadores Linear
Discriminand Analisis e K-Nearest Neighbor foram
utilizados para reconhecer os gestos. O teste de Wilcoxon foi realizado
para avaliar diferença significativa da distribuição dos resultados
(p <0,05). Os melhores resultados obtidos no classificador foram obtidos com
o classificador KNN, com as seguintes especificações: janela de
0,45s, fração de sobreposição de 25% e truncamento de 100%, com
97,4% de precisão. Observou-se que, aumentando o comprimento da janela,
a precisão dos classificadores também aumenta. A taxa de sobreposição
apresenta algumas diferenças significativas na distribuição, onde
etapas menores de sobreposição melhoram a precisão. Em relação ao
truncamento, a combinação do início e da última parte do
sinal (não apenas o início) contém as informações úteis
para o reconhecimento de padrões.