Estudio comparativo de métodos basados en reconocimiento de patrones para identificar movimientos de mano y muñeca por medio de señales SEMG

Abstract

Uno de los canales en la interacción hombre-máquina es el uso de señales de electromiografía de superficie (SEMG), las cuales, a través de técnicas de procesamiento y clasificación de características pueden proporcionar comandos para controlar dispositivos de asistencia, proporcionar accesibilidad y rehabilitación en personas en situación de discapacidad. Por ello, las metodologías de procesamiento de las señales deben enfocarse en el uso de métodos avanzados que permitan una adecuada identificación de la intención de movimiento de los usuarios. En el presente artículo, se realiza un estudio comparativo de algoritmos de reconocimiento de patrones desarrollados en Matlab para movimientos de miembro superior, relacionados con movimientos de mano y muñeca en personas diestras. Para esto, se utilizó la base de datos pública NinaPro, que proporciona registros de SEMG, mientras un usuario ejecuta diversos movimientos. En total se evaluaron 10 sujetos, 5 hombres y 5 mujeres. El algoritmo desarrollado incluye etapas de preprocesamiento, extracción de características y clasificación de patrones. La etapa de extracción de características incluyó el cálculo de raíz media cuadrática (RMS) de la señal. Se implementaron cuatro métodos de clasificación (KNN, NB, LDA y SVM), los cuales realizan una identificación de ocho movimientos isométricos e isotónicos de mano y muñeca. Como métrica de evaluación se utilizó el porcentaje de clasificación. Además, se realiza un análisis de significancia estadística para determinar diferencias entre clasificadores y grupos poblacionales. Como resultados, se determina que el mejor clasificador implementado es el SVM con un porcentaje de clasificación superior al 90 %, encontrando diferencias significativas entre los resultados de los métodos. No obstante, se observa que los hombres presentan mejores resultados que las mujeres, de acuerdo con la métrica de evaluación.

One of the channels in human-machine interaction is the use of surface electromyography (SEMG) signals, which, through feature processing and classification techniques, can provide commands to control assistive devices, accessibility, and rehabilitation for people with disabilities. The NinaPro public database was used, which provides SEMG records while a user executes various movements. In total, 10 subjects were evaluated: 5 men and 5 women. The developed algorithm includes preprocessing, feature extraction, and pattern classification stages. The feature extraction stage included the signal's root-mean-square (RMS) calculation. Four classification methods (KNN, NB, LDA, and SVM) were implemented, identifying eight isometric and isotonic hand and wrist movements. The classification percentage was used as an evaluation metric. In addition, a statistical significance analysis is performed to determine differences between classifiers and population groups. The results determined that the best classifier implemented is the SVM, with a classification percentage higher than 90%, finding significant differences between the results of other methods. However, it is observed that men present better results than women, according to the evaluation metric.