Upload
others
View
3
Download
0
Embed Size (px)
Citation preview
RECONHECIMENTO DE PADROES DE SINAIS DE
ELETROMIOGRAFIA DE SUPERFICIE UTILIZANDO
COERENCIA E REDES NEURAIS ARTIFICIAIS
Thaıs Silvestre Nunes
Projeto de Graduacao apresentado ao Curso
de Engenharia de Controle e Automacao da
Escola Politecnica, Universidade Federal do
Rio de Janeiro, como parte dos requisitos ne-
cessarios a obtencao do tıtulo de Engenheiro.
Orientador: Carlos Julio Tierra Criollo
Rio de Janeiro
Marco de 2019
Nunes, Thaís Silvestre
Reconhecimento de Padrões de Sinais de Eletromiografia
de Superfície Utilizando Coerência e Redes Neurais Artificiais
/ Thaís Silvestre Nunes. – Rio de Janeiro:UFRJ/ Escola
Politécnica, 2019.
XVI,46 p.:il:;29,7cm.
Orientador: Carlos Julio Tierra Criollo
Projeto de Graduação – UFRJ/ Escola Politécnica/ Curso de
Engenharia de Controle e Automação, 2019.
Referências Bibliográficas: p.37-38
1.Reconhecimento de Padrões. 2.Eletromiografia de
Superfície. 3.Coerência. 4.Redes Neurais Artificias. I. Criollo,
Carlos Julio Tierra. II. Universidade Federal do Rio de Janeiro,
Escola Politécnica, Curso de Engenharia de Controle e
Automação. III.Título.
iii
UNIVERSIDADE FEDERAL DO RIO DE JANEIRO
Escola Politecnica - Departamento de Eletronica e de Computacao
Centro de Tecnologia, bloco H, sala H-217, Cidade Universitaria
Rio de Janeiro - RJ CEP 21949-900
Este exemplar e de propriedade da Universidade Federal do Rio de Janeiro, que
podera incluı-lo em base de dados, armazenar em computador, microfilmar ou adotar
qualquer forma de arquivamento.
E permitida a mencao, reproducao parcial ou integral e a transmissao entre bibli-
otecas deste trabalho, sem modificacao de seu texto, em qualquer meio que esteja
ou venha a ser fixado, para pesquisa academica, comentarios e citacoes, desde que
sem finalidade comercial e que seja feita a referencia bibliografica completa.
Os conceitos expressos neste trabalho sao de responsabilidade do(s) autor(es).
iv
AGRADECIMENTOS
Aos meus pais por todos os ensinamentos, incentivos e apoio que se prolonga-
ram da minha escolha pelo curso de Engenharia de Controle e Automacao ate a
apresentacao deste Projeto de Graduacao.
A todos os meus professores pelos ensinamentos, e tambem a todos funcionarios
da Escola Politecnica que contribuıram para oferecer o melhor espaco de formacao
possıvel.
Ao meu orientador Carlos Julio Tierra Criollo, pelo auxılio no desenvolvimento
deste projeto que me despertou o interesse pela Engenharia Biomedica.
Aos amigos que fiz nos anos de faculdade e que auxiliaram na minha formacao.
Agradeco especialmente a: Adriana, Fernanda, Gabriel Loureiro, Gabriel Daiha,
Guilherme,Hannah, Maıra Isabella, Nicolas Lizarralde, Pedro Henrique e Rob Kler.
Aos amigos de longa data que me incentivaram e tornaram tudo mais leve, a Thaıs
e Monique.
Ao meu namorado Vitor, por todo carinho, paciencia e suporte nesse final de
faculdade.
Ao Programa de Engenharia Biomedica (PEB) e ao grupo do Laboratorio de
Processamento de Imagens e Sinais (LAPIS) pela ajuda com esse projeto e tambem
pelos momentos de descontracao, que permitiram que o trabalho acontecesse da
melhor maneira possıvel.
A todo povo brasileiro, que de forma indireta, contribuiu para formacao de uma
nova Engenheira de Controle e Automacao.
v
RESUMO
Resumo do Projeto de Graduacao apresentado a Escola Politecnica/ UFRJ
como parte dos requisitos necessarios para a obtencao do grau de Engenheiro de
Controle e Automacao.
RECONHECIMENTO DE PADROES DE SINAIS DE ELETROMIOGRAFIA
DE SUPERFICIE UTILIZANDO COERENCIA E REDES NEURAIS
ARTIFICIAIS
Thaıs Silvestre Nunes
Marco/2019
Orientador: Carlos Julio Tierra Criollo
Curso: Engenharia de Controle e Automacao
O sinal de eletromiografia de superfıcie(sEMG) e utilizado para diversas aplicacoes,
como diagnostico do funcionamento muscular, avaliacao e reabilitacao, bem como
para o controle de dispositivos. Este Projeto de Graduacao tem como objetivo o re-
conhecimento de padroes de movimentos de mao de indivıduos saudaveis utilizando
como caracterıstica a funcao coerencia (FC) entre dois pares de sinais de sEMG. Fo-
ram analisados sinais de sEMG de 21 participantes saudaveis, registrados em duas
diferentes sessoes. Os movimentos foram flexao e extensao dos dedos. Os sinais de
sEMG foram filtrados (direta e inversamente) entre 20 Hz e 400 Hz. A FC entre dois
musculos flexores, bem como entre um flexor e um extensor foram calculadas. Como
classificador foi utilizado redes neurais artificiais (perceptron). Em todos os partici-
pantes observou-se um padrao da FC diferente para a flexao e extensao.A acuracia
da classificacao da flexao e extensao dos dedos, utilizando os sinais de sEMG das
duas sessoes, foi em torno de 87%. A funcao coerencia se mostrou promissora para
vi
a classificacao de movimentos da mao, que conjuntamente com outras caracterıstica
(e.x. valor RMS) poderia ser util para o melhor controle de proteses, exoesqueletos
e interfaces homem-maquina.
Palavras-Chave: eletromiografia, reconhecimento de padroes, coerencia, redes
neurais artificiais
vii
ABSTRACT
Abstract of Undergraduate Project presented to POLI/UFRJ as a partial fulfillment
of the requirements for the degree of Engineer.
PATTERN RECOGNITION OF SURFACE ELECTROMIOGRAPHY USING
COHERENCE AND ARTIFICIAL NEURAL NETWORKS
Thaıs Silvestre Nunes
Marco/2019
Advisor: Carlos Julio Tierra Criollo
Course: Control and Automation Engineering
The surface electromyography signal (sEMG) is used for several applications, such
as diagnosis of muscular functioning, evaluation and re-evaluation, as well as for
device control. This Graduation Project aims the patterns recognition of hand
movement from healthy individuals using the coherence function (CF) between two
pairs of sEMG signals. Signs of sEMG were analyzed from 21 healthy participants,
recorded in two different sessions. The movements were flexion and extension of
the fingers. The sEMG signals were filtered (directly and inversely) between 20
Hz and 400 Hz. The CF between two muscles flexors as well as between a flexor
and an extensor were calculated. Artificial neural networks (perceptron) were used
as classifier. A different CF pattern for flexion and extension was observed in all
participants. The accuracy of the classification of flexion and extension of the fingers,
using the sEMG signals of the two sessions, was around 87%. The coherence function
proved to be promising for the classification of hand movements, which together with
other characteristics (e.x. RMS value) could be useful for better control of prostates,
exoskeletons and man-machine interfaces.
viii
Key-words : electromiography, pattern recognition, coherence, artifical neural network.
ix
Nomenclatura
ARV Valor Medio Retificado
BF Banda de Frequencia
BP Backpropagation
CSD Densidade Espectral de Potencia Cruzada
DTFT Transformada de Fourier de Tempo Discreto
ECD Extensor Comum dos Dedos
EMG Eletromiografia
FPD Flexor Profundo dos Dedos
FSD Flexor Superficial dos Dedos
IAP Potencial de Acao Intracelular
LAPIS Laboratorio de Processamento de Imagens e Sinais
MATLAB Matrix Laboratory
MLP Perceptron de Multiplas Camadas
MSE Erro Quadratico Medio
PSD Densidade Espectral de Potencia
RE Resolucao Espectral
RMS Raiz Quadratica Media
SCG Scaled Conjugate Gradient
x
sEMG Eletromiografia de Superfıcie
xi
Sumario
1 Introducao 1
1.1 Objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Objetivos Especıficos . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Estrutura do Trabalho . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2 Eletromiografia de Superfıcie 5
2.1 Fisiologia da Ativacao Muscular . . . . . . . . . . . . . . . . . . . . . 6
2.2 Origem do Sinal de EMG . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.3 Aquisicao do Sinal de EMG de Superfıcie . . . . . . . . . . . . . . . . 9
2.4 Caracterısticas do Sinal de sEMG . . . . . . . . . . . . . . . . . . . . 10
3 Reconhecimento de Padroes 12
3.1 Funcao Coerencia: Extracao de Caracterısticas . . . . . . . . . . . . . 12
3.1.1 Coerencia aplicada a Eletromiografia . . . . . . . . . . . . . . 14
3.2 Redes Neurais: Classificacao . . . . . . . . . . . . . . . . . . . . . . . 16
4 Metodologia 20
4.1 Aquisicao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4.2 Pre-Processamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.3 Identificacao do Movimento . . . . . . . . . . . . . . . . . . . . . . . 22
4.4 Banda de Frequencia de Coerencia . . . . . . . . . . . . . . . . . . . 22
4.5 Janelamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
4.6 Musculos para a Estimativa da Coerencia . . . . . . . . . . . . . . . . 23
4.7 Numero de Neuronios Camada Oculta Rede Neural . . . . . . . . . . 24
4.8 Avaliacao da Classificacao . . . . . . . . . . . . . . . . . . . . . . . . 24
xii
5 Resultados e Discussao 27
5.1 Banda de Frequencia . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
5.2 Janelas para a Rede Neural . . . . . . . . . . . . . . . . . . . . . . . 27
5.3 Numero de Neuronios na Camada Oculta . . . . . . . . . . . . . . . . 28
5.4 Resultado da Rede Neural . . . . . . . . . . . . . . . . . . . . . . . . 28
5.5 Outros Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
5.5.1 Estudo de Similaridade entre Coerencias . . . . . . . . . . . . 30
5.5.2 Crosstalk e Coerencia . . . . . . . . . . . . . . . . . . . . . . . 31
6 Conclusao 37
6.1 Projetos Futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
Bibliografia 39
A Algoritmo SCG 42
B Protocolo de Aquisicao 45
xiii
Lista de Figuras
1.1 Protese de Mao Utilizada nos Projetos do Programa de Engenharia
Biomedica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Fluxograma para o Desenvolvimento da Protese Mioeletrica . . . . . 2
2.1 Exemplo de Sinal de sEMG . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Exemplo de modelo de unidade motora extraıdo de [1] - Domınio
Publico(Adaptada) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.3 Potencial de Acao no Neuronio [2] - Domınio Publico (Adaptada) . . 8
2.4 Eletromiografia de Superfıcie . . . . . . . . . . . . . . . . . . . . . . . 9
3.1 Fluxograma Reconhecimento de Padroes . . . . . . . . . . . . . . . . 12
3.2 Diagrama de Rede Neural Artificial . . . . . . . . . . . . . . . . . . . 17
3.3 Funcao Tangente Hiperbolica - Figura do MATLAB . . . . . . . . . . 18
4.1 Interface utilizada para Coletas no Labview [3] . . . . . . . . . . . . . 21
4.2 Interface utilizada para Coletas no Labview [3] . . . . . . . . . . . . . 23
4.3 Janela de Treinamento da Rede Neural . . . . . . . . . . . . . . . . . 25
4.4 Exemplo de Matriz de Confusao Obtido na Rede Neural . . . . . . . 26
5.1 Ilustracao das Janelas Utilizadas . . . . . . . . . . . . . . . . . . . . . 28
5.2 Espectro da Coerencia entre ECD e FSD de 20-400Hz para Tres Vo-
luntarios durante Movimentos de Extensao em Duas Sessoes Distintas 33
5.3 Espectro da Coerencia entre FSD e FPD de 20-400Hz para Tres Vo-
luntarios durante Movimentos de Extensao em Duas Sessoes Distintas 34
5.4 Espectro da Coerencia entre ECD e FSD de 20-400Hz para Tres Vo-
luntarios durante Movimentos de Flexao em Duas Sessoes Distintas . 35
xiv
5.5 Espectro da Coerencia entre FSD e FPD de 20-400Hz para Tres Vo-
luntarios durante Movimentos de Flexao em Duas Sessoes Distintas . 36
xv
Lista de Tabelas
3.1 Acionamentos Oscilatorios Fisiologicos sincronizando Unidades Motoras 15
5.1 Acuracia por Numero de Neuronios . . . . . . . . . . . . . . . . . . . 28
5.2 Acuracia para Rede com 35 neuronios na Camada Oculta . . . . . . . 29
5.3 Correlacao Media por Movimento e Sessoes . . . . . . . . . . . . . . . 31
B.1 Protocolo de Aquisicao . . . . . . . . . . . . . . . . . . . . . . . . . . 46
xvi
Capıtulo 1
Introducao
O sinal de eletromiografia(EMG) tem aplicacoes em varias areas como no
controle de proteses e orteses, no diagnostico de doencas neuromusculares tais como
AVC, em interfaces homem-maquina, em reabilitacao entre outros.
No Laboratorio de Processamento de Imagens e Sinais(LAPIS) da COPPE/UFRJ
o sinal de EMG esta sendo utilizado para o desenvolvimento de uma protese de
mao impressa em 3D (a partir do open source My Human Kit — Exiii HACKberry
myohand [4]). Essa protese apresenta baixo custo em relacao as atuais proteses
do mercado, o que a tornaria acessıvel a grande parte da populacao. A protese e
apresentada na figura 1.1.
Figura 1.1: Protese de Mao Utilizada nos Projetos do Programa de Engenharia
Biomedica
1
As etapas referentes ao desenvolvimento de uma protese de mao contro-
lada por sinais mioeletricos sao: aquisicao, pre-processamento, extracao de carac-
terısticas, reducao de dimensionalidade(opcional), classificacao e controle. O pro-
cesso e apresentado na figura 1.2.
O conjunto de pre-processamento, extracao de caracterısticas, reducao de di-
mensionalidade e classificacao e conhecido como reconhecimento de padroes. Sendo
que este projeto de graduacao dedica-se a extracao de caracterısticas e classificacao,
pois apesar de muitos trabalhos terem sido desenvolvidos com intuito de reconhe-
cer gestos, em especial da mao e da face, e diversos avancos e tecnicas tenham
sido obtidos, a parte de reconhecimento de padroes ainda e a mais difıcil quando
se trata de controle atraves de EMG, em especial, quando estamos extraindo essas
caracterısticas de musculos residuais de amputados e deficientes. [5]
Figura 1.2: Fluxograma para o Desenvolvimento da Protese Mioeletrica
Baseado no objetivo de diversificar as possibilidades de extracao de carac-
terıstica e melhorar o reconhecimento de padroes, foi realizado um estudo sobre a
coerencia aplicada a sinais de sEMG com o reconhecimento de dois movimentos:
extensao e flexao dos dedos.
Como classificador, sera utilizado a tecnica de Redes Neurais Artificiais(RNA).
Este metodo e bem interessante para esse tipo de aplicacao, dado que o sinal de EMG
e bastante variavel, inclusive para a mesma pessoa, o que dificulta a aplicacao de
modelos matematicos. No caso da rede neural artificial , ela aprende atraves de
exemplos, tem a habilidade de reproduzir funcoes nao lineares, e tambem possui
2
uma estrutura extremamente paralela e regular, o que facilita o reconhecimento de
padroes. [6]
1.1 Objetivo
Estudo da funcao coerencia como caracterıstica a ser extraıda do sinal de
sEMG com redes neurais artificiais como classificador para identificacao de movi-
mentos da mao.
1.2 Objetivos Especıficos
Os objetivos especıficos foram:
• Compreensao sobre o espectro da coerencia do sinal de eletromiografia.
• Analise de padroes da coerencia em relacao aos movimentos de extensao e
flexao dos dedos.
• Viabilidade do reconhecimento de padroes usando coerencia e redes neurais
artificiais.
1.3 Estrutura do Trabalho
Abaixo, sao descritos os capıtulos desse projeto:
Capıtulo 2 - Eletromiografia de Superfıcie: neste capıtulo, serao com-
preendidas as caracterısticas mais relevantes com relacao ao sinal a ser adquirido e
processado.
Capıtulo 3 - Reconhecimento de Padroes: Uma visao resumida de dois
metodos utilizados para o reconhecimento de padroes para movimentos de mao e
tambem uma revisao bibliografica da coerencia e redes neurais, indicando como estas
podem ser um boa opcao para sinais de eletromiografia.
Capıtulo 4 - Metodologia: A metodologia utilizada para a aquisicao de
sinais, pre-processamento, coerencia e redes neurais.
Capıtulo 5 - Resultados: Parte dedicada a demonstrar os resultados ob-
tidos pelos experimentos feitos e discutir.
3
Capıtulo 6 - Conclusao - Resumo dos resultados obtidos e propostas para
trabalhos futuros.
4
Capıtulo 2
Eletromiografia de Superfıcie
O sinal de eletromiografia de superfıcie(sEMG) tem muitas possibilidades de
utilizacao, mas deve ser aplicado com conhecimento da geracao do sinal, ou seja a
fisiologia da ativacao e como esta ocorre, e mecanismos de propagacao, seguindo
do sistema nervoso central ate o sEMG . E facil obter o sinal, mas metodologias
incorretas, por exemplo na aquisicao, podem levar a conclusoes falsas sobre o EMG,
como sinais com crosstalk. [7]
Por isso, antes de utiliza-lo foi necessario entender um pouco sobre o mesmo.
A primeira etapa de estudar sobre o EMG e exatamente caracteriza-lo: pela forma
como ele se origina, pela forma como e adquirido e pelas informacoes presentes no
sinal coletado. Depois, estas informacoes serao importantes para fazer o processa-
mento deste. Na figura 2.1, e apresentado um dos sinais de sEMG (ja pre-processado)
utilizado nessa estudo:
Figura 2.1: Exemplo de Sinal de sEMG
5
2.1 Fisiologia da Ativacao Muscular
De acordo com MERLETTI et al[8], o complexo sistema capaz de gerar a di-
ferenca de potencial a qual chamamos de eletromiograma pode ser dividido, de forma
simplificada para estudo, em duas partes: sistema nervoso (formado por neuronios
motores) e fibras musculares. O sistema nervoso, responsavel pelo controle das fibras
musculares, esta localizado, em sua maior parte, na medula espinhal.
Cada neuronio motor, incluindo axonio e dendritos, e responsavel por um
conjunto de fibras musculares (unidade musculares), e a essa uniao e dado o nome
de unidade motora. A figura 2.2 ilustra este aspecto.
Figura 2.2: Exemplo de modelo de unidade motora extraıdo de [1] - Domınio
Publico(Adaptada)
Cada neuronio motor se ramifica para inervar sua unidade muscular, porem,
quando ocorre a ativacao no neuronio as fibras musculares nao sao inervadas simul-
taneamente. Por causa dessa caracterıstica o potencial de acao da unidade motora,
chamado de movimentacao neural, e diferente do potencial de acao das fibras mus-
culares, que e aquele medido pelo EMG e chamado de ativacao muscular.
Alem disso, as fibras musculares nao estao isoladas por unidade motora no
musculo e se misturam com fibras de outras unidades, como consequencia da anato-
mia da unidade muscular, a forca gerada por uma unica fibra deve ser transmitida
por camadas de tecido ate chegar ao esqueleto e contribuir com o movimento. Essas
interacoes atenuam a influencia de uma unica fibra muscular na forca gerada em um
movimento.
6
2.2 Origem do Sinal de EMG
Sabemos que a ativacao muscular provem de comandos dos neuronios moto-
res. Esses comandos sao transmitidos na forma de potenciais de acao. A figura 2.3
esquematiza as etapas da origem do potencial de acao [8], que sao descritas a seguir:
1. Repouso
O potencial de acao so e ativado apos a tensao no interior da celula do neuronio
ultrapassar certo limiar. Normalmente, no repouso, esta tensao esta entre
−70mV e −90mV , mantido por causa da bomba de sodio e potassio(e), e o
limiar para iniciar o potencial de acao fica 15mV acima do valor de repouso.
Neste caso, tanto o canal do sodio(c) quanto o do potassio(d) estao fechados,
ou seja, os ıons de sodio(Na+)(a) e de potassio(K+)(b) nao podem passar
pela membrana plasmatica
2. Despolarizacao (Fase Ascendente)
Quando o potencial intracelular chega ao limiar, o canal do sodio(Na+) e
aberto, permitindo a passagem deste, que esta altamente concentrado no fluido
extracelular, para o interior da celula e tornando a tensao extremamente po-
sitiva.
3. Repolarizacao (Fase Descendente)
Ao atingir o equilıbrio, o canal do sodio(Na+) e fechado e o do potassio(K+),
aberto, permitindo a sua passagem para o exterior da celula, diminuindo a
tensao no interior da celula novamente.
4. Hiperpolarizacao
Finalmente, ambos os canais sao fechados e a bomba de sodio e potassio ativada
para retornar ao ponto inicial de repouso (entre -70mV e -90mV) de modo a
equilibrar o sistema, mas, antes disso ocorrer, a saıda de potassio do interior
da celula torna a tensao no interior desta menor que o potencial de repouso.
Este potencial de acao que ocorre nos neuronios e transmitido ate as juncoes
musculares pelos axonios, causando esses efeitos tambem nestas.
7
Figura 2.3: Potencial de Acao no Neuronio [2] - Domınio Publico (Adaptada)
Quando o potencial de acao gerado por um neuronio motor chega a juncao
neuromuscular, causa a emissao de acetilcolina na sinapse entre o nervo terminal e a
membrana da fibra muscular, a acetilcolina excita a membrana da fibra e, entao, um
gradiente potencial e gerado neste ponto, o que ocasiona uma zona despolarizada,
tal como no neuronio.
A zona de despolarizacao propaga-se atraves das fibras musculares desde as
juncoes neuro-musculares ate o final do tendao. Essa propagacao, a qual se da o
nome de potencial de acao intracelular(IAP) causa um perfil de corrente transmem-
brana ionica atraves do sarcolema (tecido conjuntivo que envolve a fibra muscu-
lar).Para fibras musculares,o tamanho das zonas de despolarizacao e repolarizacao
e da ordem de milımetros. Entao, uma fibra muscular pode ser considerada como
um tubo muito fino onde uma corrente flui axialmente.A geracao do IAP determina
um campo eletromagnetico no espaco em volta. [7]
O sinal de sEMG capta esse campo eletrico gerado nas fibras musculares,
que sao provenientes de varios potenciais de acao consecutivos. Porem, este nao e
obtido diretamente das fibras musculares, o que faz com que passe por varios tecidos
8
biologicos antes de ser adquirido, e que funcionam como filtro passa-baixas.
2.3 Aquisicao do Sinal de EMG de Superfıcie
A aquisicao dos sinais apresentados neste trabalho ocorre com a utilizacao
de eletrodos de superfıcie, sendo, entao, chamada de eletromiografia de superfıcie
(sEMG) . Estes eletrodos sao colocados diretamente sobre a pele do voluntario,
sendo um metodo nao invasivo. A figura 2.4 representa este tipo de eletromiografia,
com aquisicao realizada no LAPIS:
Figura 2.4: Eletromiografia de Superfıcie
Por estarmos utilizando eletrodos de superfıcie em vez de eletrodos invasivos,
a distancia entre a fonte e o ponto de deteccao e significativa, e o posicionamento
dos eletrodos se torna relevante. Essa diferenca e observada no sinal variando a
distancia da fibra entre 0.5mm a 25mm, sendo notavel como o sinal se modifica apos
7.5mm, onde surgem os sinais provenientes do sEMG [9].
Neste trabalho, foi utilizado o classico modelo bipolar,utilizando dois eletro-
dos em uma distancia pequena(1-3cm) na direcao da fibra muscular.
O sEMG possui influencia de fatores anatomicos, fısicos e de deteccao.Os
principais desses fatores de acordo com [9] sao:
9
• A espessura da camada de tecido subcutanea;
• A profundidade das fontes dentro do musculo para os eletrodos;
• A inclinacao do sistema de deteccao com relacao a orientacao da fibra muscular;
• O comprimento das fibras musculares;
• A localizacao dos eletrodos sobre os musculos;
• O filtro espacial (montagem dos eletrodos) usada para a deteccao do sinal;
• O tamanho e formato do eletrodo;
• O crosstalk entre os musculos proximos;
Um dos itens trata do crosstalk, que e a interferencia de sinais de outros
musculos que aparecem no sinal desejado. O Crosstalk e causado por algumas
propriedades do volume de conducao com algumas propriedades da fonte, e e um
dos maiores causadores de erro de interpretacao do sEMG.
2.4 Caracterısticas do Sinal de sEMG
De acordo com MERLETTI et al [7], ocorrem tres caracterısticas no sinal de
eletromiografia que ja foram bem investigadas e aceitas:
• Seu valor instantaneo e aparentemente aleatorio com uma distribuicao gaus-
siana de media nula e desvio padrao entre 10 e 500µVrms. Sua amplitude e
estimada usando raiz quadratica media(RMS), o que coincide com o desvio
padrao da distribuicao. O valor medio retificado (ARV) tambem pode ser
utilizado.
• Seu espectro de frequencia principal(obtidos por meio da analise de Fourier)
sao na banda de 10-400Hz. A frequencia media do espectro e entre 70-130Hz e
a frequencia mediana (que divide o espectro em duas partes de igual potencia)
e na banda de 50-110Hz.
10
• Se dois ou mais pares de eletrodos forem aplicados na direcao das fibras, um
atraso pode ser observado entre sinais similares(correlacao >0.7 ou 0.8) detec-
tados desses pares e a velocidade de propagacao do sinal pode ser estimada.
Esse valor e estimado atraves da velocidade de conducao das fibras musculares.
Essas caracterısticas sao afetadas por diversos fatores, inclusive alguns citados
na secao 2.3.
11
Capıtulo 3
Reconhecimento de Padroes
Como visto anteriormente, o processo entre a aquisicao de sinais de eletromi-
ografia e o movimento realizado pela protese consta de varias etapas. O foco deste
trabalho e exatamente o reconhecimento de padroes, como mostra o fluxograma 3.1:
Figura 3.1: Fluxograma Reconhecimento de Padroes
Esse processo e responsavel por gerar sinais de referencia. Nesta secao, a
coerencia e apresentada como caracterıstica a ser extraıda do sinal de sEMG e o
metodo de Redes Neurais Artificais e utilizado como classificador.
3.1 Funcao Coerencia: Extracao de Caracterısticas
A funcao de coerencia e a medida de correlacao entre amplitude e fase dentro
de uma banda de frequencia particular entre dois sinais, e esta limitada entre 0
e 1, sendo que o zero ocorre quando, para determinada frequencia, os sinais sao
linearmente descorrelacionados um do outro.[10]
A funcao de coerencia entre dois sinais (a qual e um numero complexo) e
12
apresentada pela equacao (3.1).
Rxy(f) =Pxy(f)√
Pxx(f)Pyy(f)(3.1)
Onde f e a frequencia em Hertz, Pxy(f) representa a densidade espectral de potencia
cruzada (CSD) e Pxx(f) e Pyy(f) representam a densidade espectral de potencia(PSD)
de cada um dos sinais. [11]
Neste projeto, porem, sera utilizada a Magnitude Quadratica da Coerencia
(que refere-se apenas a amplitude). Esta e denotada como |Rxy(f)|2, e e apresentada
pela equacao (3.2).
|Rxy(f)|2 =|Pxy(f)|2
Pxx(f)Pyy(f)(3.2)
O calculo da PSD num intervalo de observacao limitado e dado pela equacao
(3.3), e da CSD e dado pela equacao (3.4).
Pxx(f) = |X(f)|2 (3.3)
Pxy(f) = X(f)Y ∗(f) (3.4)
Onde X(f) e a Transformada de Fourier de Tempo Discreto (DTFT) do sinal x[n],
Y (f) e a DTFT do sinal y[n] e Y ∗(f) o complexo conjugado de Y (f).
Porem, este metodo para o calculo da PSD e CSD e inconsistente para pro-
cessos estocasticos. Assim, surgem estimadores para este calculo, neste trabalho
sera utilizado o periodograma de Bartlett. [12]
Neste metodo, divide-se um sinal de N amostras em K intervalos (os quais
chamaremos de janelas) iguais com L amostras cada um tal que N = KL. Assim,
no intervalo k, que esta entre 0 ≤ k ≤ K, teremos o sinal x(k)(n) = x(kL + n) com
o periodograma dado pela equacao (3.5)
P (k)xx (f) = |X(k)(f)|2 (3.5)
O estimador de Bartlett escreve-se como a media dos K intervalos (3.6):
Pxx =1
K
K−1∑k=0
P (k)xx (f) (3.6)
13
Esse algoritmo e repetido para o periodograma cruzado, de forma que chega-
mos a seguinte equacao para a coerencia, apresentada na equacao (3.7).
|Rxy|2 =1K2 |
∑K−1k=0 X
(k)(f)Y (k)∗(f)|21K
∑K−1k=0 |X(k)(f)|2 × 1
K
∑K−1k=0 |Y (k)(f)|2
(3.7)
Simplificando esta equacao, chegamos a seguinte equacao para a coerencia:
|Rxy|2 =|∑K−1
k=0 X(k)(f)Y (k)∗(f)|2∑K−1
k=0 |X (k)(f)|2 ×∑K−1
k=0 |Y (k)(f)|2(3.8)
Esta formula da coerencia sera utilizada como algoritmo no software MA-
TLAB para o calculo desta em sinais de eletromiografia.
3.1.1 Coerencia aplicada a Eletromiografia
Para melhor analisar sinais de sEMG, devemos extrair caracterısticas tanto
no domınio do tempo quanto no da frequencia, pois, mesmo que equivalentes, cada
um enfatiza um aspecto diferente. Tal relacao entre tempo e frequencia pode ser
feita, por exemplo, estendendo da analise atraves da correlacao cruzada (domınio do
tempo) para a coerencia. Em outras palavras, detectando as componentes comuns
em uma certa banda de frequencia entre duas unidades motoras, provenientes do
sinal de EMG. [13]
Alguns estudos ja mostram a coerencia como uma caracterıstica que possui
um padrao para EMG. No artigo escrito por FARMER et al [13], foi concluıdo que,
para pares de musculos do interosseo dorsal (presentes na mao) e do bıceps, ocorrem
picos na coerencia entre 1-12Hz e entre 16-32Hz durante abducao isometrica (forca
sem movimento) fraca do indicador e do bıceps, respectivamente, sendo estudada
a banda de 1-100Hz. Evidencias de gravacoes de indivıduos saudaveis e tambem
de indivıduos com lesoes neurologicas centrais e perifericas sugeriram que a banda
entre 16-32Hz da coerencia sao provenientes das vias do motor central em vez de
vias neurais perifericas.
Posteriormente, o estudo de BAKER et al[14], reforcado pelo estudo de KIL-
NER et al[10], demonstraram que ocorreram mudancas na atividade oscilatoria rela-
cionadas na banda entre 15-30Hz no cortex sensoriomotor tanto de humanos como de
macacos durante movimentos especializados da mao. Essas oscilacoes mostraram-se
14
coerentes com a atividade oscilatoria do EMG da atividade dos musculos da mao e
do antebraco, onde ocorre um pico tambem entre 15-30Hz.
Novamente em KILNER et al [10], foram executadas 3 tarefas: na primeira,
o indivıduo deveria comprimir entre o polegar e o indicador uma mola em 2,1N de
maneira estavel por 8s; na segunda, o indivıduo deveria manter uma mola em 2,6N
tambem por 8s; e, na terceira tarefa, permaneceria em 2,1N por 3s e deslocaria a
mola, controlando sua forca por realimentacao visual por 2s, ate 2,6N, onde ficaria
por mais 3s. Foram adquiridos os sinais de 5 musculos diferentes do antebraco e da
mao de 12 pessoas. Depois, foi calculada a coerencia na banda de 1-100Hz entre
todos os pares possıveis de musculos (Combinacao de C52 dando o total de 10 pares)
de todos os indivıduos (12 × 10 = 120), sendo apenas 15/120 pares descartados.
O pico entre 15-30Hz estava presente em todos esses sinais, tanto nos perıodos de
isometria como de movimento (terceiro caso), porem esse pico e claramente maior
durante o repouso e decresce durante o movimento, tanto no inıcio quanto no final.
Os estudos sobre o espectro de frequencia da coerencia foram sintetizados
por P.GROSSE et al[15], sendo a tabela 3.1 um resumo da relacao entre banda de
frequencia (ate 100Hz), origem do sinal, atividade e deteccao(em qual relacao de
coerencia foi observado tal aspecto da banda de frequencia), sendo EEG o sinal de
eletroencefalografia e MEG o sinal de Magnetoencefalografia.
Tabela 3.1: Acionamentos Oscilatorios Fisiologicos sincronizando Unidades Motoras
Banda de Frequencia(Hz) Origem Tarefa em que se manifesta Deteccao
∼ 2 Desconhecida Contracao Isometrica, Movi-
mentos lentos
EMG-EMG
6-12 Desconhecida Contracao Isometrica, Movi-
mentos lentos
MEG-EMG, EMG-EMG
15-30 Cortex Motor Contracao Voluntaria Sub-
maxima
MEG-EMG, EEG-EMG
30-60 Cortex Motor Contracao Voluntaria Forte,
Movimentos Lentos
MEG-EMG
60-90 Tronco Cerebral Movimentos dos Olhos EMG-EMG
60-100 Tronco Cerebral Respiracao EMG-EMG
Estes estudos ainda estao longe de serem conclusivos, mas podem vir a ca-
racterizar diferentes atividades funcionais para diferentes formatacoes cerebrais no
15
futuro. [15] Objetivando exatamente tal fato, foi utilizada a coerencia EMG-EMG
nesse trabalho como caracterıstica da rede neural, mas tambem foi avaliado o seu
aspecto nos movimentos estudados.
3.2 Redes Neurais: Classificacao
O metodo de Redes Neurais Artificiais e muito utilizado como classificador, e
parte do aprendizado de maquinas. Em especial, quando se trata de sinais de EMG,
este ganha uma utilizacao ainda mais significativa, pois, como foi citado, o sinal de
EMG apresenta muitas variaveis e este metodo aprende atraves de exemplos.
A grande questao quando falamos de redes neurais artificiais e como imple-
menta-la, afinal existem varias formas com as quais ela pode aprender:[16]
• Desenvolvendo novas conexoes,
• Deletando conexoes existentes,
• Mudando os pesos das conexoes,
• Mudando os limites dos neuronios,
• Variando um ou mais das tres funcoes dos neuronios(Ativacao, Propagacao e
Saıda)
• Desenvolvendo novos neuronios,
• Deletando os neuronios existentes.
A mudanca de pesos e a forma mais comum de aprendizado, seguida das
mudancas de conexoes que inclui o aumento e diminuicao de neuronios. Ja a va-
riacao das funcoes dos neuronios e pouco utilizada pois, baseando-se na rede neural
biologica, estas funcoes tambem nao poderiam ser modificadas. Neste projeto, o
aprendizado sera modificado somente pelos pesos (atraves do metodo de aprendi-
zado Backpropagation) e numero de neuronios.
A rede utilizada nesta tese foi a perceptron de multiplas camadas(MLP) . Tal
rede normalmente possui conexoes progressivas (feedfoward), ou seja as saıdas de
uma camada se conectam somente as entradas da camada seguinte, e a rede possui
16
uma ou mais camadas de pesos variaveis. A rede perceptron com uma camada
oculta, que sera a utilizada neste projeto, e apresentada na figura 3.2, onde N e o
numero de entradas da rede, h e o numero de neuronios na camada oculta, W n,1 sao
os pesos utilizados e bn sao os vieses.
Figura 3.2: Diagrama de Rede Neural Artificial
A rede MLP pode ter varias tecnicas de aprendizado, sendo a mais co-
mum delas, e a que sera utilizada, a de Backpropragation(BP), ou, em portugues,
retro-propagacao de erro. Este algoritmo inicia-se com a propagacao direta, onde
os pesos sinapticos W n,1, presentes na camada oculta e na camada de saıda, sao
mantidos. Uma saıda, entao, e gerada e comparada com uma saıda objetivo pre-
estabelecida. Quando ocorre um erro, este e propagado no sentido contrario das
conexoes sinapticas, e utilizado para atualizar os pesos W n,1 de modo que a res-
posta da rede se aproxime mais do padrao resposta.[6]
Como a rede e do tipo BP , e, portanto, a funcao de ativacao deve ser de-
rivavel, na camada oculta, e utilizada a funcao de ativacao do tipo tangente hi-
perbolica (equacao (3.9)), pois esta e diferenciavel e limita a saıda do neuronio na
faixa entre -1 e 1 (Figura 3.3).[17]
aj =2
1 + e−2nj− 1 (3.9)
17
Onde aj e a saıda do neuronio e nj e o potencial de ativacao (soma ponderadas de
todas as entradas sinapticas mais o bias).
Figura 3.3: Funcao Tangente Hiperbolica - Figura do MATLAB
Muitas redes do tipo Backpropagation utilizam algoritmos baseados em gra-
diente descendente. O tipo de aprendizado utilizado foi o Scaled Conjugate Gradient
(SCG) desenvolvido por MOLLER [18]. Este metodo tem como base o metodo de
otimizacao da analise numerica convencional Conjugate Gradient (Gradiente Conju-
gado), que e melhor para um grande volume de dados combinado com a abordagem
modelo de confianca de regiao, conhecida do algoritmo de Levenberg-Marquardt.
O SCG foi considerado mais eficiente que o BP de primeira ordem (utiliza
somente a primeira derivada), nao depende de nenhum parametro do usuario para
obter sucesso e e mais rapido que os demais algoritmos de segunda ordem (primeira
e segunda derivadas), pois utiliza o limite entre a primeira derivada dos erros E ′(wk)
e E ′(wk+1) para calculo da segunda derivada.
O algoritmo do Scaled Conjugate Gradient [18] e descrito no apendice A.
A desempenho foi avaliado pelo metodo do Erro Quadratico Medio , ou seja,
pela media do quadrado da diferenca entre o valor previsto(θ) e o valor observado(θ),
dado por:
MSE(θ) =1
N
∑[(θ − θ)2] (3.10)
As condicoes de parada do treinamento foram:
18
• Numero de ciclos: O numero de epocas (conjunto de treinamento utilizado por
completo) maximo que o treinamento pode fazer, no caso, 1000 epocas.
• Validacao: Se o erro da validacao aumentar durante n amostras, o treinamento
e encerrado. (n=6, para a rede utilizada)
• Gradiente : Se o gradiente for abaixo do valor estipulado (10−6) e encerrado
o treinamento. Se o gradiente for muito baixo significa que nao ocorre apren-
dizado.
Os dados foram separados em tres grupos:
• Treinamento (70% dos dados): Estabelece os pesos da rede;
• Validacao (15%): Utilizado a cada epoca para validar o treinamento, nao
modifica os pesos da rede mas e criterio de parada;
• Teste (15%): Nao modifica os pesos da rede, apenas contabiliza os erros e
acertos.
19
Capıtulo 4
Metodologia
4.1 Aquisicao
Os dados utilizados neste trabalho foram coletados por CUNHA[3] no LAPIS.
Este protocolo foi aprovado pelo Comite de Etica e Pesquisa (CAAE:4467715.1.0000.5257).
O sistema utilizado por esta era composto por 3 modulos: Modulo de Biopo-
tencias (MB), Modulo de Controle e Configuracao(MCC) e Modulo de Configuracao,
Monitoramento e Registro (MCMR).[19]
O primeiro deles, MB, conecta-se aos eletrodos sobre o paciente atraves
de cabos e recebe a entrada analogica do sinal de eletromiografia usando o kit
ADS1299EEG-FE da Texas Instruments de 8 canais de entrada analogica. Este
kit tambem digitaliza o sinal adquirido com amplificadores e conversores A/D de 24
bits. Por fim, passa o sinal digital para o MCC atraves de uma comunicacao SPI
(Serial Peripheral Interface).
No MCC, ocorre a comunicacao entre os outros dois modulos (MB e MCMR).
Este modulo consiste de kit STM32F4discovery da STMicroeletronics. Nele, sao
enviadas para o modulo MCMR as informacoes de leitura do sEMG e para o MB as
configuracoes feitas pelo usuario.
O MCMR consiste em uma interface em Labview da National Instruments.
Nela as configuracoes podem ser definidas pelo usuario e as leituras podem ser
monitoradas. A Figura 4.1 mostra a tela principal do software do MCMR. Alguns
dos parametros que podem ser ajustados sao: frequencia de amostragem (Fs), filtros
(passa-altas, passa-baixas e notch). Alem disso, temos um botao para comecar a
20
aquisicao (Start) e um para salvar o arquivo no formato .peb (salvar). A direita
vemos a os graficos de monitoramento.
No canto esquerdo, vemos a janela em que aparece a barra deslizante que
ajuda o voluntario a controlar melhor o movimento. Quando a barra sobe, o in-
divıduo realiza o movimento, e, quando a barra desce, volta para a posicao inicial,
lentamente.
Figura 4.1: Interface utilizada para Coletas no Labview [3]
Os sEMG foram obtidos de 6 musculos diferentes com derivacoes bipolares:
Extensor Comum dos Dedos (ECD),Primeiro Interosseo Dorsal (PID), Extensor
Curto do Polegar (ECP), Flexor Superficial dos Dedos (FSD), Flexor Profundo dos
Dedos (FPD) e Flexor Longo do Polegar (FLP). Os eletrodos foram colocados no
antebraco e mao do lado dominante do voluntario, sendo indicado pelo proprio. O
eletrodo terra foi localizado no cotovelo do braco nao dominante.
A localizacao da posicao dos eletrodos nos diferentes musculos se determinou
por medidas anatomicas, de acordo com o protocolo de CUNHA [3] apresentado
no Apendice A, alem de realizar movimentos para a conferencia da localizacao do
musculos; por exemplo, o PID pode ser ativado ao fazermos o movimento de abducao
e aducao do dedo indicador.
Alem dos eletrodos, foi tambem colocado um acelerometro (ADXL335 da
AnalogDevices) no dedo indicador do voluntario para indicar inıcio e fim do movi-
21
mento, e, depois, esses trechos foram separados offline.
Durante uma aquisicao, primeiramente, o indivıduo ficava em repouso. De-
pois, realizava 3 sessoes de 10 vezes dois movimentos: extensao e flexao dos dedos.A
primeira sessao serviu como treinamento, de forma que os sinais de EMG registrados
foram ignorados. A coerencia foi aplicada aos sinais obtidos na segunda e terceira
sessoes. Foram analisados sinais de 21 indivıduos sadios tanto do sexo feminino
como do masculino.
Os sinais de sEMG foi coletado com uma frequencia de amostragem de 2kHz.
4.2 Pre-Processamento
O pre-processamento ocorre pela retirada dos possıveis ruıdos presentes no
sinal. Primeiramente, foram retiradas as frequencias referentes a rede eletrica, ou
seja, os harmonicos ımpares de 60Hz(60, 180, 300 Hz) com um filtro notch do tipo
IIR. Depois, foi escolhida a faixa entre 20-400Hz para o estudo do sinal de EMG;
desta forma, o sinal foi filtrado offline, direta e reversamente (fase zero), por um
filto FIR Butterworth passa-baixas de segunda ordem em 400Hz e um passa-altas
em 20Hz.
4.3 Identificacao do Movimento
O sinal do acelerometro(amostrado em 2kHz) foi filtrado de 1 a 10Hz. Depois,
derivou-se esse sinal e este foi utilizado para identificar o inıcio e fim dos movimentos.
A figura 4.2 mostra como foi realizada a separacao de trechos: o sinal do
acelerometro esta apresentado em azul e o sinal de eletromiografia em laranja (esse
sinal foi multiplicado por 10). Os pontos em verde indicam o inıcio dos movimentos, e
os em azul indicam o final do movimento. Estes pontos foram marcados visualmente.
4.4 Banda de Frequencia de Coerencia
Foram aplicadas duas bandas diferentes de frequencia indicadas pela litera-
tura e seus resultados obtidos pelo classificador:
22
Figura 4.2: Interface utilizada para Coletas no Labview [3]
• Utilizacao da banda de frequencia de 20Hz a 100Hz representando o espectro
de coerencia utilzado na literatura do EMG.
• Por fim, foi utilizado ate o maximo do espectro de frequencia do EMG, entre
20 e 400Hz.
4.5 Janelamento
De acordo com Zardoshti et al [20], as janelas para EMG devem estar com-
preendidas entre 0-400 ms para o sinal de EMG, sendo que a variacao do tamanho
destas interfere no sinal, baseando-se nisso, foram testadas variacoes de janela, de
50ms (resolucao espectral de 20Hz) e 100 ms (resolucao espectral de 10Hz), com a
coerencia sendo estimada com 8 e 4 janelas, respectivamente, igualando o total de
400ms.
4.6 Musculos para a Estimativa da Coerencia
Neste estudo, foram utilizados tres musculos do antebraco, Extensor Comum
dos Dedos (ECD) , Flexor Superficial dos Dedos (FSD) e Flexor Profundo dos Dedos
(FPD) , respectivamente, canais 2,5, e 6, descritos no apendice B.
Serao utilizadas duas coerencias:
• ECD com FSD;
• FSD com FPD;
23
4.7 Numero de Neuronios Camada Oculta Rede
Neural
A rede neural utilizada consta de n entradas, dependentes da banda de
frequencia da coerencia escolhida. sendo metade referentes a coerencia entre os
musculos ECD com FSD e a outra metade referente aos musculos FSD com FPD.
Foram utilizadas sinais da sessao 2 e da sessao 3, como visto na 4.1.
Como saıda da rede, temos a classificacao entre Extensao e Flexao, repre-
sentados por vetores de duas dimensoes. Ou seja, caso a classificacao da rede seja
definida como extensao, o vetor de saıda sera
10
, e, caso seja flexao, o vetor de
saıda sera
01
.
O modelo apresentado na secao 3.2 foi implementado utilizando a Neural Net
Pattern Recognition Toolbox, que e uma toolbox do software MATLAB utilizada para
o reconhecimento de padroes; a figura 4.3 mostra a janela de treinamento da rede
neural.
Como podemos observar, foi utilizado o metodo de treinamento Scaled Con-
jugate Gradient e como performance o metodo Erro Quadratico Medio. Tambem e
possıvel observar os parametros de parada citados anteriormente.
Utilizando um metodo heurıstico, os testes foram realizados, com numero de
neuronios na camada oculta variando de 5 em 5, no intervalo entre 5 e 35. Os dados
de entrada foram utilizados de forma aleatoria e divididos na seguinte proporcao:
70% treinamento, 15% teste e 15% validacao.
Foram criadas 5 redes diferentes em que esses 3 conjuntos (treinamento, teste
e validacao) variavam para cada indivıduo de forma aleatoria.
4.8 Avaliacao da Classificacao
Nesta secao, sera indicado como foi obtido o resultado do reconhecimento de
padroes. Uma das formas de analisarmos o resultado da classificacao e por meio das
matrizes de confusao.
A figura 4.4 mostra quatro matrizes de confusao para um voluntario, tendo
uma matriz do treinamento, outra da validacao, outra do teste e, por ultimo, a
24
Figura 4.3: Janela de Treinamento da Rede Neural
matriz que engloba todos os resultados. Cada uma dessas matrizes apresenta 3
linhas e 3 colunas: os quadrados em verde representam quantas amostras foram
classificadas corretamente dentro de sua classe (sensibilidade) e, em vermelho, sao
as amostras classificadas incorretamente dentro de sua classe (especifidade).
Ja o quadrado em azul (linha 3, coluna 3) representa as porcentagens em
relacao a todo conjunto de amostras de acertos totais(teste, validacao e treinamento);
em letra verde, a acuracia, e erros totais, em letra vermelho. A medida utilizada
para avaliar a rede neural foi a de acertos totais (acuracia) da matriz de confusao
total.
25
Figura 4.4: Exemplo de Matriz de Confusao Obtido na Rede Neural
26
Capıtulo 5
Resultados e Discussao
5.1 Banda de Frequencia
As duas bandas de frequencia indicadas na metodologia foram aplicadas em
uma rede neural de 10 neuronios (com janelas de 50ms). A media dos melhores
resultados obtidos para os 21 voluntarios (em 5 sessoes) foi de:
• 71,99% para a banda de 20-100Hz;
• 84,61% para a banda de 20-400Hz;
A partir desse resultado foi decidido pela banda de 20-400Hz.
5.2 Janelas para a Rede Neural
Fixando a banda de frequencia de 20-400Hz, o resultado obtido para 50ms foi
superior em relacao a acuracia da rede neural (novamente fixada em 10 neuronios)
e, por isso, esse tamanho de janela foi o escolhido. A media da maior acuracia dos
21 voluntarios foi:
• 84,61% para janelas de 50 ms;
• 81,91% para janelas de 100 ms;
A figura 5.1 ilustra como foram selecionadas as janelas de 50ms. A cada 50ms
do sinal de EMG, e feita a coerencia, e o periodograma calculado com esta janela e
as sete anteriores.
27
Figura 5.1: Ilustracao das Janelas Utilizadas
5.3 Numero de Neuronios na Camada Oculta
Dada a banda de frequencia(BF) entre 20-400Hz e o uso de janelas de 50ms
(resolucao espectral(RE) de 20Hz) teremos 20(BFRE
+ 1 = 400Hz−20Hz20Hz
+ 1 = 20)
entradas por par de musculos, e, como sao dois musculos chegamos a 40 no total.
Entao, o numero de Neuronios da Camada Oculta foi variado e a media dos
melhores resultados de acuracia para os 21 voluntarios foi calculada, como mostra
a tabela 5.1
Tabela 5.1: Acuracia por Numero de Neuronios
Numero de Neuronios
5 10 15 20 25 30 35
82,97% 84,61% 84,96% 86,52% 86,61% 87,36% 87,42%
A melhor acuracia ocorreu com 35 neuronios.
5.4 Resultado da Rede Neural
A tabela 5.2 apresenta a acuracia individualmente para cada voluntario em
5 sessoes diferentes de treinamento com a rede de 35 neuronios. Para 21 voluntarios
sadios, obteve-se uma acuracia media de 83,71% e maxima de 87,42%.
28
Tabela 5.2: Acuracia para Rede com 35 neuronios na Camada Oculta
VOL T1 T2 T3 T4 T5 MAXIMA MEDIA
1 74.54% 72.24% 79.79% 80.10% 76.05% 80.10% 76.54%
2 97.25% 97.58% 97.02% 97.09% 97.51% 97.58% 97.29%
3 93.61% 85.44% 86.69% 92.98% 89.27% 93.61% 89.60%
4 69.92% 85.04% 80.42% 77.14% 77.38% 85.04% 77.98%
5 71.23% 77.17% 76.67% 85.16% 80.23% 85.16% 78.09%
6 85.64% 83.85% 81.36% 91.73% 81.00% 91.73% 84.71%
7 97.40% 97.34% 98.01% 98.75% 99.18% 99.18% 98.14%
8 91.96% 91.96% 86.74% 84.98% 80.95% 91.96% 87.32%
9 98.00% 98.25% 96.64% 96.14% 95.61% 98.25% 96.93%
10 86.09% 87.98% 90.16% 88.91% 86.12% 90.16% 87.85%
11 85.58% 83.68% 83.55% 89.62% 83.19% 89.62% 85.12%
12 87.40% 87.17% 84.94% 87.14% 83.35% 87.40% 86.00%
13 84.77% 84.74% 88.75% 83.20% 87.78% 88.75% 85.85%
14 78.03% 71.29% 72.80% 64.55% 75.13% 78.03% 72.36%
15 73.25% 69.74% 71.38% 70.23% 73.30% 73.30% 71.58%
16 79.51% 76.33% 71.16% 73.27% 74.86% 79.51% 75.02%
17 86.37% 80.27% 81.65% 83.94% 76.59% 86.37% 81.76%
18 94.89% 94.95% 94.20% 94.26% 95.25% 95.25% 94.71%
19 62.52% 66.28% 66.21% 67.46% 68.74% 68.74% 66.24%
20 80.04% 91.51% 92.14% 81.53% 83.65% 92.14% 85.77%
21 76.60% 81.84% 78.21% 83.96% 74.73% 83.96% 79.07%
87.42% 83.71%
29
5.5 Outros Resultados
5.5.1 Estudo de Similaridade entre Coerencias
Alem do resultado obtido pela rede, a coerencia foi analisada graficamente.
Entao, para cada voluntario, foram plotados os graficos da coerencia para os seus
10 primeiros movimentos, usando janelas de 50 ms para o periodograma de Bar-
tlett(como visto na secao 3.1).
Na figura 5.2, apresentam-se os sinais de 3 voluntarios escolhidos de forma
aleatoria para a Coerencia durante Extensao dos Dedos entre o Extensor Comum
dos Dedos (ECD) com o Flexor Superficial dos Dedos(FSD) para as sessoes 2 e 3
respectivamente.
Na figura 5.3, apresentam-se os sinais para a coerencia durante a Extensao dos
Dedos do Flexor Superficial dos Dedos(FSD) e do Flexor Profundo dos Dedos(FPD)
para as sessoes 2 e 3 respectivamente.
Na figura 5.4, apresentam-se os sinais para a coerencia durante Flexao dos
Dedos entre o ECD com o FSD para as sessoes 2 e 3 respectivamente.
Na figura 5.5, apresentam-se os sinais para a Coerencia durante a Flexao dos
Dedos entre o FSD e o FPD para as sessoes 2 e 3 respectivamente.
Visualmente, e notavel como algumas coerencias se repetem nos movimentos
dentro de uma mesma sessao, e algumas parecem similares em duas sessoes dife-
rentes. A fim de verificar essas similaridades, primeiramente, foi feita a correlacao
dos 9 primeiros movimentos de cada sessao(2 e 3) com a media da propria sessao,
obtendo-se o coeficiente de correlacao de Pearson, que varia de -1 a 1, sendo os seus
limites indicadores de igualdade de sinais.
Alem disso, tambem foi obtido o coeficiente de correlacao entre as sessoes,
comparando os 9 movimentos de uma sessao com a media da outra. Esses resul-
tados sao sintetizados na tabela 5.3, onde os resultados foram transformados de
correlacao(valor absoluto) para porcentagem.
A correlacao obtida encontra-se em torno de 50% para a coerencia entre o
musculo extensor e flexor (ExtFlex) e em torno de 65% para os musculos flexo-
res(Flex), na comparacao dos movimentos com a media da propria sessao (s2-s2 e
s3-s3).
30
Ja entre as sessoes, o coeficiente de correlacao ficou em torno de 30% para a
coerencia entre os musculos extensor e flexor, e 40% para os musculos flexores.
A correlacao nao apresentou um resultado proximo da rede neural para ne-
nhuma das coerencias estudadas, o que mostra que a rede foi eficiente em encontrar
um melhor padrao (maior similaridade) que aquele conseguido por este metodo. O
fato de a rede neural arificial encontrar relacoes nao lineares, enquanto a correlacao
tem como base uma relacao linear, pode explicar essa diferenca de resultados
Tabela 5.3: Correlacao Media por Movimento e Sessoes
MOVIMENTO E PAR UTILIZADO
NA COERENCIA
Sessao Extensao/
ExtFlex
Extensao/
Flex
Flexao/
ExtFlex
Flexao/
ExtFlex
s2-s2 50,3% 69,2% 54,4% 60,1%
s3-s3 50,7% 64,7% 53,6% 74,6%
s2-s3 29,9% 42,3% 31,8% 45,3%
5.5.2 Crosstalk e Coerencia
Como indicado na secao 2.3, um dos grandes problemas na aquisicao de
sEMG e exatamente o crosstalk entre os musculos. Os graficos das figuras 5.2,5.3,
5.4,5.5, apresentam valores moderados de coerencia (entre 0,3 e 0,7), o que pode ser
indicativo de influencia crosstalk entre esses musculos.
Diversos fatores podem ter influenciado essa ocorrencia de crosstalk, entre
os quais destacam-se nesse projeto o tamanho dos musculos utilizados (musculos
do antebraco), o tamanho do eletrodos e a distancia inter-eletrodos(entre 1-3cm).
Alem disso, pode-se perceber que a coerencia entre os musculos flexores(FSD e
FPD) foi maior, o que tambem pode ter como causa o crosstalk entre estes devido a
proximidade entre os eletrodos, que era bem maior que entre o musculo flexor(FSD)
e extensor(ECD). [21]
Esse fenomeno deve ser melhor estudado e reduzido em trabalhos futuros,
utilizando tecnicas como o HD sEMG (high density), onde ao inves do tradicional
31
eletrodo bipolar e utilizado uma matriz de eletrodos com pequenos espacamentos
inter-eletrodos.[21]
32
(a) Sessao 2 - Voluntario 1 (b) Sessao 3 - Voluntario 1
(c) Sessao 2 - Voluntario 9 (d) Sessao 3 - Voluntario 9
(e) Sessao 2 - Voluntario 20 (f) Sessao 3 - Voluntario 20
Figura 5.2: Espectro da Coerencia entre ECD e FSD de 20-400Hz para Tres Vo-
luntarios durante Movimentos de Extensao em Duas Sessoes Distintas
33
(a) Sessao 2 - Voluntario 1 (b) Sessao 3 - Voluntario 1
(c) Sessao 2 - Voluntario 9 (d) Sessao 3 - Voluntario 9
(e) Sessao 2 - Voluntario 20 (f) Sessao 3 - Voluntario 20
Figura 5.3: Espectro da Coerencia entre FSD e FPD de 20-400Hz para Tres Vo-
luntarios durante Movimentos de Extensao em Duas Sessoes Distintas
34
(a) Sessao 2 - Voluntario 1 (b) Sessao 3 - Voluntario 1
(c) Sessao 2 - Voluntario 9 (d) Sessao 3 - Voluntario 9
(e) Sessao 2 - Voluntario 21 (f) Sessao 3 - Voluntario 21
Figura 5.4: Espectro da Coerencia entre ECD e FSD de 20-400Hz para Tres Vo-
luntarios durante Movimentos de Flexao em Duas Sessoes Distintas
35
(a) Sessao 2 - Voluntario 1 (b) Sessao 3 - Voluntario 1
(c) Sessao 2 - Voluntario 9 (d) Sessao 3 - Voluntario 9
(e) Sessao 2 - Voluntario 20 (f) Sessao 3 - Voluntario 20
Figura 5.5: Espectro da Coerencia entre FSD e FPD de 20-400Hz para Tres Vo-
luntarios durante Movimentos de Flexao em Duas Sessoes Distintas
36
Capıtulo 6
Conclusao
O trabalho desenvolvido buscava uma maior compreensao sobre a coerencia
EMG-EMG e tambem utilizar tal caracterıstica, juntamente com redes neurais, para
o reconhecimento de padroes.
A banda de frequencia utilizada para a coerencia foi maior do que a utilizada
para a analise dessa caracterıstica na literatura (FARMER et al [13] e GROSSE et
al [15]), que se localizaria entorno de 100Hz. Obteve-se melhor resultado utilizando
todo o espectro do EMG, ou seja, ate 400Hz.
As janelas e o numero de neuronios foram adaptadas para obtermos um
melhor resultado da classificacao.
O classificador utilizado, redes neurais artificiais, juntamente com a carac-
terıstica extraıda, coerencia, apresentaram um resultado significativo para a classi-
ficacao dos dois movimentos estudados (flexao e extensao). A coerencia mostra-se
como caracterıstica promissora para reconhecimento de padroes dos movimentos da
mao junto com o classificador RNA.
6.1 Projetos Futuros
O trabalho desenvolvido gerou resultados interessantes, o que permitiu o
vislumbre de alguns trabalhos futuros para melhor entendimento na coerencia:
• Usar outras caracterısticas como entrada para a rede neural;
• Classificar outros movimentos (novas classes) alem de extensao e flexao;
37
• Obter mais sessoes com um mesmo indivıduo para observar a coerencia ao
longo destas, pois o resultados nao foram conclusivos nesse aspecto;
• Obter dados de EMG incluindo tambem dados de EEG, de modo a poder
realizar novas coerencias entre o sistema nervoso periferico e central;
• Implementacao de sistemas embarcados para controle de proteses mioeletricas.
38
Referencias Bibliograficas
[1] SUNSHINECONNELLY, “Anatomy and physiology of animals Motor neuron”,
2007, [Online; accessado em 23 de Dezembro de 2018].
[2] CTHOMPSON02, “Membrane Permeability of a Neuron During an Action Po-
tential”, 2018, [Online; accessado em 23 de Janeiro de 2019].
[3] CUNHA, R., Teste F espectral bayesiano para classificacao online de movimen-
tos da mao com sinais EMG. Ph.D. dissertation, Universidade Federal do Rio
de Janeiro, 2016.
[4] “My Human Kit — Exiii HACKberry myohand”,
http://myhumankit.org/en/tutoriels/myoelectric-exiii-hand/, Accessado
em 17/01/2019.
[5] AHSAN, M. R., IBRAHIMY, M. I., KHALIFA, O. O., “Electromygraphy
(EMG) signal based hand gesture recognition using artificial neural network
(ANN)”. In: Mechatronics (ICOM), 2011 4th International Conference On,
pp. 1–6, IEEE, 2011.
[6] HAYKIN, S., Redes Neurais: Princıpios e Pratica. Artmed, 2007.
[7] MERLETTI, R., RAINOLDI, A., FARINA, D., “Surface electromyography for
noninvasive characterization of muscle”, Exercise and sport sciences reviews,
v. 29, n. 1, pp. 20–25, 2001.
[8] R.M.ENOKA, J.DUCHATEAU, Surface Electromiography, chapter 1, John Wi-
ley Sons, Inc., pp. 1–23, 2016.
[9] MERLETTI, R., FARINA, D., STEGEMAN, D. F., Surface Electromiography,
chapter 2, John Wiley Sons, Inc., pp. 30–50, 2016.
39
[10] KILNER, J., BAKER, S., SALENIUS, S., et al., “Task-dependent modulation
of 15-30 Hz coherence between rectified EMGs from human hand and forearm
muscles”, The Journal of Physiology, v. 516, n. 2, pp. 559–570, 1999.
[11] BENDAT, J. S., PIERSOL, A. G., “Decomposition of wave forces into linear
and non-linear components”, Journal of Sound and Vibration, v. 106, n. 3,
pp. 391–408, 1986.
[12] BARTLETT, M. S., “Periodogram analysis and continuous spectra”, Biome-
trika, v. 37, n. 1/2, pp. 1–16, 1950.
[13] FARMER, S., BREMNER, F., HALLIDAY, D., et al., “The frequency content
of common synaptic inputs to motoneurones studied during voluntary isometric
contraction in man.”, The Journal of physiology, v. 470, n. 1, pp. 127–155, 1993.
[14] BAKER, S., OLIVIER, E., LEMON, R., “Coherent oscillations in monkey mo-
tor cortex and hand muscle EMG show task-dependent modulation”, The Jour-
nal of physiology, v. 501, n. 1, pp. 225–241, 1997.
[15] GROSSE, P., CASSIDY, M., BROWN, P., “EEG–EMG, MEG–EMG and
EMG–EMG frequency analysis: physiological principles and clinical applica-
tions”, Clinical Neurophysiology, v. 113, n. 10, pp. 1523–1531, 2002.
[16] KRIESEL, D., A Brief Introduction to Neural Networks, chapter 4, disponıvel
em http://www.dkriesel.com, pp. 51–67, 2007.
[17] KRIESEL, D., A Brief Introduction to Neural Networks, chapter 3, disponıvel
em http://www.dkriesel.com, pp. 33–39, 2007.
[18] MØLLER, M. F., “A scaled conjugate gradient algorithm for fast supervised
learning”, Neural networks, v. 6, n. 4, pp. 525–533, 1993.
[19] CUNHA, F. L., FRANCA, J. E., ORTOLAN, R. L., et al., “O uso de redes
neurais artificiais para o reconhecimento de padroes em uma protese mioeletrica
de mao”. In: VIII Congresso Brasileiro de Redes Neurais, 2007.
[20] ZARDOSHTI-KERMANI, M., WHEELER, B. C., BADIE, K., et al., “EMG
feature evaluation for movement control of upper extremity prostheses”, IEEE
Transactions on Rehabilitation Engineering, v. 3, n. 4, pp. 324–333, 1995.
40
[21] TALIB, I., SUNDARAJ, K., LAM, C. K., et al., “A review on crosstalk in
myographic signals”, European journal of applied physiology, v. 119, n. 1, pp. 9–
28, 2019.
41
Apendice A
Algoritmo SCG
Variaveis utilizadas neste algoritmo:
• wk e o vetor de todos os pesos existentes na rede neural ;
• E(wi) e a funcao de erro global (diferenca entre o valor de saıda e o valor espe-
rado pela rede Backpropagation), que pode ser calculada por varios metodos,
como por exemplo mınimos quadrados.E ′(wi) e E ′′(wi) sao respectivamente a
sua primeira e segunda derivadas.
• pk e um vetor direcional, inicialmente e colocado igual a direcao do gradiente
descendente −E ′(w1)
• αk e o tamanho do passo, sendo um escalar que multiplica o vetor pk para a
atualizacao dos pesos : wk+1 = wk + pkαk
• σ e o valor de tolerancia, pois no SCG a variavel sk e a aproximacao da segunda
derivada do erro E ′′(wk)pk ∼ E′(wk+σkpk)−E′(wk)σk
= sk. A variavel σ deve ser
menor que 10−4
• E ′′(wk) so e matriz definida positiva se a variavel δk = pTkE′′(wk)pk = pTk sk > 0;
• Como a matriz Hessiana (derivada segunda) mostrou-se indefinida em alguns
pontos para funcao do erro global E, falhando o algoritmo do SCG, a variavel
sk foi adicionado o escalar λk: sk = E′(wk+σkpk)−E′(wk)σk
+ λkpk;
• λk e o valor aumentado de λk quando a Hessiana e menor que zero;
42
• rk e a direcao de descida mais ıngreme;
• ∆k e o parametro de comparacao;
• N e o numero de pesos na rede e k e o numero da interacao.
Algoritmo:
1. Escolha um vetor de pesos w1 e escalares 0 < σ < 10−4
0 < λ1 ≤ 10−6, λ1 = 0
Estabeleca p1 = r1 = −E ′(w1), k = 1 e sucesso = verdadeiro
2. Se sucesso = verdadeiro, entao calcule as informacoes de segunda ordem:
σk = σ|pk|
,
sk = (E ′(wk + σkpk)− E ′(wk))/σk,
δk = pTk sk
3. Escale δk: δk = δk + (λk − λk)|pk|2, ou seja, δk = pTk (sk + (λk − λk)pk) =
pTk sk + (λk − λk)|pk|2
4. Se δk ≤ 0 entao faca a matriz Hessiana ser definida positiva:
λk = 2(λk − δk)|pk|2,
δk = −δk + λk|pk|2,
λk = λk.
5. Calcule o tamanho do passo:
µk = pTk rk,
αk = µk/δk
6. Calcule o parametro de comparacao:
∆k = 2δk[E(wk)− E(wk + αkpk)]/µ2k
7. Se ∆ ≥ 0 entao uma reducao bem sucedido do erro pode ser feita:
wk+1 = wk + αkpk,
rk+1 = −E ′(wk+1),
43
λk = 0, sucesso = verdadeiro.
Se k mod N = 0 (resto da divisao) o algoritmo recomeca:
pk+1 = rk+1
Se nao criar uma nova direcao conjugada (pk+1):
βk = (|rk+1|2 − rTk+1rk)/µ
pk+1 = rk+1 + βkpk
Se ∆k ≥ 0.75, entao reduzir o parametro de escalada:
λk = 14λk
Se nao:
λk = λk sucesso=falso.
8. Se ∆k < 0.25, entao incremente o parametro de escalada:
λk = λk + (δk(1−∆k)/|pk|2).
9. Se a direcao de descida mais ıngreme rk 6= 0 entao estabeleca k = k + 1 e va
para 2. Se nao, termine e retorne wk+1 como o mınimo desejado.
44
Apendice B
Protocolo de Aquisicao
Protocolo de aquisicao desenvolvido por Rafaella Cunha [3] para a sua tese
de mestrado pelo Programa de Engenharia Biomedica (COPPE/UFRJ).
45
Tabela B.1: Protocolo de Aquisicao
Canal Musculo Posicao do Eletrodo MS Di-
reito(cm)
MS Es-
querdo(cm)
1 Acelerometro Medida do epicondilo
lateral ao processo estiloide
do radio com eletrodo no
terco proximal.
2 Extensor Comum
dos Dedos
Medida 3 cm abaixo da base
metacarpofalangiana.
3 Primeiro In-
terosseo Dor-
sal(FDI)
Medida do epicondilo
lateral ao processo estiloide
do radio com eletrodo no
terco distal.
4 Extensor Curto
do Polegar
Medida do processo osseo
do radio a cabeca da ulna.
Marcar linha media e
posicionar o eletrodo na
regiao mais medial.
5 Flexor Superficial
dos Dedos
Medida do epicodilo medial
a ulna. Posicionar o eletrodo
no terco proximal.
Ou Afastar 1cm da ulna para
regiao medial.
6 Flexor Profundo
dos Dedos
Medida do epicondilo
lateral ao processo estiloide
do radio com eletrodo no
terco distal.
Ou Medida do processo osseo
do radio a cabeca da ulna.
Marcar linha media e
posicionar o eletrodo na
regiao mais lateral.
46