'

Использование электромиограммы мышц предплечья для решения задачи распознавания движения отдельного пальца

Понравилась презентация – покажи это...





Слайд 0

Использование электромиограммы мышц предплечья для решения задачи распознавания движения отдельного пальца Прояев Павел Олегович Тележинский Андрей Игоревич Нейроботикс, 2011 г.


Слайд 1

Цель: решение задачи распознавания движения отдельного пальца с помощью ЭМГ мышц предплечья. Задачи: Разработать методики регистрации электромиограммы мышц предплечья. Разработать алгоритмы распознавания сигналов электромиограммы. В качестве распознаваемых действий выбраны следующие движения: - сгибание мизинца; - сгибание безымянного пальца; - сгибание среднего пальца; - сгибание указательного пальца; -сгибание большого пальца в плоскости, параллельной ладони руки. 3. Выбрать, используя в качестве критерия процент верного распознавания сигнала, наиболее удовлетворительную методику регистрации электромиограммы и алгоритм распознавания сигнала и провести более полное его тестирование.


Слайд 2

Методика регистрации электромиограммы мышц предплечья рис. 1. Цифровой усилитель биопотенциалов NVX52 рис. 2. Накожные Ag/AgCl электроды


Слайд 3

Методика 1 Положения №4 и №5, также как и №6 и №7 регистрировались одним электродом. Сигналы записывались относительно канала “Reference”, положение которого выбиралось на участке выше локтя, на котором отсутствуют сокращения мышц при движении пальцами. Электрод канала “Ground” располагался в районе плечевого сустава. рис. 3. Положение электродов при регистрации ЭМГ Названия электродов, соответствующих номеру позиции: 1-CP4; 2-FT8; 3-F8; 4,5-T4; 6,7-TP8; 8-C4; 9-FC4; 10-F4.


Слайд 4

Методика 2 Положения №4 и №5, также как и №6 и №7 регистрировались отдельными электродами. Сигналы записывались относительно канала “Reference”, положение которого выбиралось на участке выше локтя, на котором отсутствуют сокращения мышц при движении пальцами. Электрод канала “Ground” располагался в районе плечевого сустава. Кроме того, снималось также 5 дифференциальных каналов между положениями 1 и 2; 3 и 4; 5 и 6; 7 и 8; 9 и 10. Названия электродов, соответствующих номеру позиции: 1-F4; 2-F8; 3-Fc4; 4-Ft; 5-C4; 6-T4; 7-Cp4; 8-Tp8; 9-P4; 10-T6. рис. 4. Положение электродов при регистрации ЭМГ


Слайд 5

Предобработка данных фильтр верхних частот с частотой среза 30 Гц; фильтр нижних частот с частотой среза 100 Гц (для методики 1) и 200 Гц (для методики 2); режекторный фильтр для частоты 50 Гц. рис. 5. Участок 8-канальной ЭМГ (методика 1)


Слайд 6

рис. 6. Участок 15-канальной ЭМГ (методика 2)


Слайд 7

Анализ электромиограммы Для разработки алгоритма классификации сигнала были сформированы тренировочная и тестовая выборки сигналов путем выделения интересуемого участка ЭМГ и добавления его в выборку. Интересуемый участок – это участок ЭМГ, соответствующий движению пальца. Он выбирался как отрезок длиной 500 отсчетов (1 с.), в середине которого располагается максимальная амплитуда сигнала (с учетом многоканальности эта середина определялась как среднее середин по каждому каналу). Согласно [2] характеристика ЭМГ, показывающая тип (сложность) сократившейся мышцы, - это фрактальная размерность кривой (FD – Fractal Dimension). Соответственно была предпринята попытка распознать, какой палец совершил движение, на основании набора вычисленных для каждого каналов параметров FD. Фрактальная размерность вычислялась по методу Т. Хигучи [4]. Значение параметров FD для каждого элемента тестовой и обучающей выборок по каждому отдельному пальцу в зависимости от канала (от 1 до 8 для методики 1) показана на рис. 7, 8 (синим показана обучающая выборка, красным - тестовая). рис. 7. Значения фрактальной размерности кривых ЭМГ при движении мизинцем


Слайд 8

рис. 8. Значения фрактальной размерности кривых ЭМГ (слева направо: безымянный палец, средний, указательный, большой)


Слайд 9

Также в качестве характеристики сигнала для классификации было использовано RMS (среднее квадратическое), вычисляемое по формуле (1). ??????= ??=1 ?? ?? ?? 2 ?? (1) Значение параметров RMS для каждого элемента тестовой и обучающей выборок по каждому отдельному пальцу в зависимости от канала для методики 1 показана на рис. 9,10, а для методики 2 – на рис. 11 (синим показана обучающая выборка, красным - тестовая). рис. 9. Значения RMS кривых ЭМГ при движении мизинцем для методики 1


Слайд 10

рис. 10. Значения RMS кривых ЭМГ для методики 1 (слева направо: безымянный палец, средний, указательный, большой)


Слайд 11

рис. 11. Значения RMS кривых ЭМГ для методики 2 (слева направо: мизинец, безымянный палец, средний, указательный, большой)


Слайд 12

Классификатор 1 Характеристика RMS (или FD) из тестовой выборки будет соответствовать правильному, своему классу, если вектор A значений RMS (FD) пространства R8 имеет небольшой угол с векторами Bi этого класса из обучающей выборки (плоскости, соответствующие этим векторам, наиболее параллельны). Классификатор 2 Из обучающей выборки формируются паттерны 5 классов, как средние арифметические зависимостей RMS (FD) от номера канала. Для тестируемой характеристики RMS (FD) вычисляются разницы от каждого паттерна до этой характеристики, и для полученного результата вычисляется степень его «похожести» на прямую. Для какого паттерна данная степень меньше, такой класс и присваивается тестируемой характеристике. Классификатор 3 Основан на нахождении минимального евклидового расстояния между точками пространства R8 паттернов RMS (FD) и характеристики RMS (FD) из тестовой выборки. Описание применяемых классификаторов


Слайд 13

табл. 1 Результаты тестирования алгоритмов распознавания для методики 2 при дополненной тестовой выборке: табл. 2 Тестирование алгоритмов распознавания движений пальцами Результаты тестирования алгоритмов распознавания для различных методик съема ЭМГ, используемых характеристик ЭМГ и классификаторов:


Слайд 14

рис. 12. Результаты кросс-валидации алгоритмов с использованием RMS (верхняя серия графиков) и FD (нижняя серия графиков) при различных объемах обучающей выборки для методики 2


Слайд 15

Характеристики алгоритмов c использованием RMS с объемом обучающей выборки, равном 10 движениям для каждого пальца, при используемых каналах 1-10: Результаты кросс-валидации алгоритмов c использованием RMS с объемом обучающей выборки, равном 10 движениям для каждого пальца, и при различных используемых для обработки каналах. табл. 3 табл. 4


Слайд 16

Выводы: При использовании неинвазивной ЭМГ для решения задачи распознавания движений пальцами важную роль играет методика регистрации ЭМГ. Лучшей оказалась методика с использованием дифференциальных каналов, позволяющая улучшить отношение сингал/шум. При анализе ЭМГ применительно к задаче распознавания движений пальцами можно применять интегральные характеристики. В данной работе использование такого параметра (RMS) дало лучший результат, чем использование фрактальной размерности. При небольшой величине обучающей выборки целесообразно применять классификаторы, действующие по принципу формирования паттернов. Ошибка первого рода для предложенных классификаторов составила 5-7%. Наименьшая ошибка наблюдается при использовании классификатора 2. При этом для формирования паттернов достаточно сформировать обучающую выборку из 6 движений каждым пальцем. Использование некоторых каналов не улучшает работу классификатора. Для приведенной методики 2 достаточно использовать 5 дифференциальных и 2 отдельных канала. Время работы наиболее удовлетворительного алгоритма классификации составляет 0,5 мс, что позволяет применять его в режиме реального времени.


Слайд 17

Список используемой литературы 1. Sebastian Maier and Patrick van der Smagt, (2008) Surface EMG suffices to classify the motion of each finger independently. In: Proceedings of MOVIC 2008 . 9th International Conference on Motion and Vibration Control , 2008-15-09 – 2008-18-09 , Technische Universitat Munchen. 2. Sridhar Poosapadi Arjunan, Fractal features of Surface Electromyogram: A new measure for low level muscle activation. School of Electrical and Computer Engineering; Science, Engineering and Technology Portfolio, RMIT University, August 2008. 3. Higuchi T. Relationship between the fractal dimension and the power law index for a time series: a numerical investigation. Physica D 46. 1990. 4. Higuchi T. Approach to an irregular time series on the basis of a fractal theory. Physica D 31. 1988.


×

HTML:





Ссылка: