Reconhecimento de Padrões no sinal mioelétrico (Plano Vertical com e sem Carga) Orientador: Maria Claudia Ferrari de Castro Departamento: Engenharia Elétrica Candidato: Milka Savili Crem Costa N FEI: 12109404-9 Início: Outubro/10 Provável conclusão: Setembro/11
RESUMO DO PROJETO A proposta do presente trabalho é o estudo do sinal mioelétrico dos músculos Bíceps braquial e Tríceps braquial, durante movimentos de flexão e extensão do braço no plano vertical, com e sem carga. O sinal mioelétrico dos referidos músculos foi adquirido durante a execução de três movimentos de flexão e extensão do braço, e tabulados possibilitando os estudos de detecção de padrões e caracterização de movimento. Dentre as técnicas que podem ser utilizadas, escolheu-se para esse trabalho a aplicação de técnicas de processamento estatístico, visando reduzir a redundância de informação presente nos dados através da Análise de Componentes Principais (PCA) e caracterizar a posição angular do braço a partir dos sinais adquiridos com a aplicação da Análise de Discriminantes Lineares (LDA). Este trabalho complementa os estudos feitos sobre os sinais obtidos durante os movimentos no plano horizontal que mostraram que a PCA realmente reduziu a dimensionalidade dos dados de 200 ou 400 para 3 a 5 componentes principais mas foi incapaz de apresentar uma boa separabilidade em função da posição angular, principalmente com o aumento do número de posições consideradas na análise. Já a LDA, apesar de ser uma análise supervisionada, onde os grupos são formados a priori, apresentou uma boa separabilidade entre os dados em função da posição angular do braço. A validação desta técnica para o movimento no plano horizontal está sendo realizada em outro projeto de Iniciação Científica. Após a análise dos dados obtidos no plano vertical, os resultados serão comparados com aqueles obtidos nos trabalhos anteriores para o plano horizontal. Caso os resultados sejam compatíveis, pretende-se fazer uma nova configuração de dados, independente do plano obtido, e verificar se é possível separá-los apenas em função da posição angular, ou se o plano de movimento é também um fator discriminante. Palavras-chave: 1. Flexão e extensão do braço 2. Eletromiografia 3. Posição angular do braço 4. PCA, LDA
I. REVISÃO BIBLIOGRÁFICA O interesse no uso do sinal mioelétrico (SME), como fonte de ativação de sistemas de interface homem-máquina, tem crescido nos últimos anos, tendo em vista que este sinal retém informações de controle do sistema nervoso, podendo então ser utilizado para a extração de informações relacionadas à intenção de movimento do sujeito. Essa extração de informação é conhecida como reconhecimento de padrões, segundo o qual, através de técnicas estatísticas e/ou de inteligência artificial, pretende-se detectar um comportamento comum em um movimento ou contração muscular, de um músculo ou de um conjunto de músculos, de maneira a descrever o padrão [1]-[5]. O processo de reconhecimento de padrões pode ser divido em duas etapas: extração de características e classificação. É sabido que o SME é redundante e ruidoso, o que quer dizer que, no conjunto total de dados, existe uma parte que não contribui com informação útil. A fase de extração de características tem por objetivo selecionar um conjunto de características que seja mais representativo e que contenha a maior parte da informação útil contida nos dados originais, e dessa forma obter um conjunto de dimensão menor, e mais fácil de se lidar na fase de classificação. Essa por sua vez, corresponde à identificação das características como pertencentes a uma determinada classe dentre um certo conjunto que pode ou não ser especificado à priori [3]-[6]. Na abordagem estatística, o SME pode ser representado por um vetor com d características, ou seja, x=[x 1,x 2,x 3,...,x d ]. Um conjunto de SMEs pode ser representado por N vetores como este, definindo um espaço d-dimensional representado pela matriz X N x d. O processo de extração de características consiste em selecionar as m características mais representativas, tal que m<<<d, visando garantir que os padrões associados a diferentes classes ocupem regiões distintas no espaço m-dimensional, conhecido como espaço das características (feature space). A eficácia dessa etapa pode ser determinada pela separabilidade das classes no espaço m-dimensional [6]. Um dos métodos mais utilizados na fase de extração de características, principalmente visando a redução de dimensionalidade é a Análise de Componentes Principais (PCA), que baseia-se em combinar linearmente os dados, criando uma nova base de dados e projetá-los nas direções de maior variabilidade. Isto é importante para que, apesar da redução da dimensionalidade, não haja perda significativa de informação [6]. A Análise Discriminante Linear (LDA) também pode ser usada para fins de redução de dimensionalidade, mas com poder discriminatório, enfatizando a separação inter-classes. O objetivo é
maximizar a dispersão entre classes representada pela matriz Sb (definida por (2)), e minimizar a dispersão dentro das classes, representada pela matriz S (dada por (3)), onde g é o número de classes, Ni o número de amostras na classe Xi, x i a média da classe Xi e x o vetor média total, considerando todas as amostras de todas as g classes [7] - [9]. Devido ao critério de Fisher uma maneira de fazer isso é maximizar a razão definida por (4). Se S é não singular, a solução é um problema típico de autovetores, como definido por (5), onde λ e φ são, respectivamente, os autovetores e os autovalores de zero. S 1 S b, com no máximo (g-1) autovalores diferentes de = g T S b Ni( xi x)( xi x) i= 1 (2) S g = i= 1 xk X i T ( x xi )( x xi ) k k (3) W lda T W SbW arg max W T W S W = (4) S φ = λs φ (5) b No entanto, em aplicações práticas, a dispersão intra-classes S é sempre singular ou quase singular. Isto vem do fato de que, em geral, o número de padrões Ni no conjunto de treinamento é muito menor que a dimensionalidade d do conjunto de dados [7] - [9]. Para superar a dificuldade da singularidade de S, existem vários métodos na literatura. Um deles chamado LDA regularizado (RLDA), adiciona uma constante α para os elementos da diagonal da matriz de dispersão total St, da matriz Sp e até mesmo de S, sendo que 0<α<1 é conhecido como o parâmetro de regularização. Esse processo estabiliza a estimativa da matriz de covariância e melhora o desempenho da classificação da LDA. Por outro lado, escolher um valor adequado de regularização é uma questão crítica na RLDA, uma vez que um grande valor pode perturbar significativamente as informações, enquanto um valor pequeno pode não ser eficaz para resolver o problema de instabilidade [8] - [10]. S S + S t = (6) b S p = S ( N g) (7)
II. PROJETO DE PESQUISA II.1. Objetivos e justificativas Um protocolo experimental foi aplicado visando à aquisição dos sinais mioelétricos dos músculos Bíceps braquial (bíceps) e Tríceps braquial (tríceps), em função do posicionamento articular do cotovelo, durante movimentos de extensão e flexão do braço, com e sem carga. Os dados já foram tabulados, formando uma base de dados extensa possibilitando os estudos de detecção de padrões e caracterização de movimento. O presente trabalho visa a continuação dos estudos iniciados em [11]-[12] mas agora analisando os movimentos realizados no plano vertical, com as mesmas técnicas, aplicação da Análise de Componentes Principais (PCA) e da Análise Discriminante Linear (LDA), visando verificar a distribuição e separabilidade dos dados, após a redução de dimensionalidade nos dois espaços de transformação, em função da posição angular do braço. Os resultados serão comparados com aqueles obtidos nos trabalhos anteriores para o plano horizontal. Caso sejam compatíveis, pretende-se fazer uma nova configuração de dados, independente do plano obtido, e verificar se é possível separá-los apenas em função da posição angular, ou se o plano de movimento é também um fator discriminante. II.2. Metodologia II.2.1. Recursos humanos e materiais e CGI. Todos os recursos materiais estão disponíveis no Laboratório de Engenharia Biomédica e/ou CLE II.2.2. Métodos O protocolo experimental para aquisição dos dados contou com a participação de 7 voluntários, homens e mulheres, com idades entre 30 e 40 anos, que não apresentaram nenhum comprometimento neuromuscular no ombro, braço e punho direitos. Todos foram informados do procedimento a que seriam submetidos e concordaram em assinar o termo de consentimento livre e esclarecido.
De posse dos dados adquiridos, iniciou-se a fase de seleção e tabulação dos dados, separando os 200ms iniciais do movimento, para cada posição articular, para cada um dos movimentos. O tamanho do vetor de dados baseou-se no trabalho de B. Hudgins, P. Parker e R. N. Scott que em [5] mostram que os 200 ms iniciais da contração muscular contêm informações determinísticas. Por esse motivo a opção em selecionar os 200 ms iniciais para caracterizar cada posição angular durante a realização dos movimentos. Inicialmente este projeto irá trabalhar com os dados referentes aos movimentos realizados no plano vertical, com e sem carga. Com os dados tabulados inicia-se o projeto, com a fase de processamento estatístico, aplicando a PCA e LDA e análise da distância de Bhattacharyya para a caracterização de padrões focando as posições de 0 o, 40 o e 70 o graus para os movimentos 1 e 2 e os intervalos de 0 a 10 o, de 0 o a 50 o e de 0 o a 80 o para o movimento 3. O processamento será feito com a utilização da plataforma MATLAB. Após a análise dos resultados esse procedimento será repetido com a utilização de posições articulares mais próximas, ou seja 0 o, 20º, 40º, 60º, 80º graus para os movimentos 1 e 2 e os intervalos de 0 a 10º, de 0 a 30º, de 0 a 50 o, de 0 a 70º e de 0 a 80º graus, para o movimento 3. O trabalho finaliza-se com a análise de todos os resultados verificando a existência ou não da relação entre EMG e posição angular e a capacidade da PCA e da LDA em reduzir a dimensionalidade e discriminar os dados com relação à posição angular do braço. Se os resultados forem consistentes com o verificado anteriormente para os dados obtidos no plano horizontal pretende-se estender a análise, verificando a influência do plano do movimento no poder discriminatório das técnicas.
II.3. Plano de trabalho e cronograma Meses atividade 1 2 3 4 5 6 7 8 9 10 11 12 Revisão Bibliográfica e Estudo Teórico (EMG, PCA, LDA) Processamento Estatístico Fase 1 Processamento Estatístico Fase 2 Relatório Parcial Análise e Comparação dos Resultados Processamento Estatístico Fase 3 Relatório Final II. Referências Bibliográficas [1] Md.R. Ahsan, M.I. Ibrahimy e O.O. Khalifa, EMG signal classification for human computer interaction: a revie European Journal Scientific Research, vol. 33, n. 3, p.480-501, 2009. [2] M.B.I. Reaz, M.S. Hussian, e F. Mohd-Yasin, Techniques of EMG signal analysis: detection, processing, classification and applications Biological Procedures Online, vol. 8, n. 1, p.11-35, 2006. Disponível em: http://.ncbi.nlm.nih.gov/pmc/articles/pmc145 5479/. [3] M.Khezri, e M. Jahed, Real-time intelligent pattern recognition algorithm for surface EMG signal BioMedical Engineering Online, vol. 6:45, Dez., 2007. Disponível em: http://.biomedicalengineering-online.com/content/6/1/45.
[4] K. Englehart, B. Hudgins, P. A. Parker e M. Stevenson Classification of the myoelectric signal using time-frequency based representations Medical Engineering and Physics Especial Issue on Intelligent Data Analysis in Electromyography and Electroneurography, vol. 21, n. 6-7, pp. 431-438, 1999. [5] B. Hudgins, P. Parker e R. N.Scott, A ne strategy for multifunction myoelectric control IEEE Transaction on Biomedical Engineering, vol. 40, n. 1, pp. 82-94, 1993. [6] A. K. Jain, R. P. W. Duin e J. Mao, Statistical pattern recognition: a revie IEEE Transaction on Pattern Analysis. Intelligence, vol. 22, n. 1, pp.4-37, 2000. [7] P. N. Belhumeur, J. P. Hespanha, and D. J. Kriegman, Eigenfaces vs Fisherfaces: recognition using class specific linear projection, IEEE Trans. Pattern Anal. Mach. Intell., vol. 19, pp. 711-720, Jul. 1997. [8] C. E. Thomaz, E. C. Kitani, and D. F. Gillies, A maximum uncertainty LDA-based approach for limited sample size problems ith application to face recognition, J. Brazilian Comput. Soc., Vol. 12, pp. 7-18, Sept., 2006. [9] J. Ye, et al., Efficient model selection for regularized linear discriminant analysis, Proc. 15 th ACM Int. Conf. Inform. Knoledge Manage., Virginia, USA, 2006, pp. 532-539. [10] Y. Guo, T. Hastie, and R. Tibshirani, Regularized linear discriminant analysis and its application in microarrays, Biostat., vol. 8, pp. 86-100, Apr., 2007. [11] D. P. Oliveira, T. H. Nascimento, M. C. F. Castro, Aplicação da Análise de Componentes Principais em sinais mioelétricos do Bíceps Braquial e Tríceps Braquial submetido ao XXII Congresso brasileiro de Engenharia Biomédica 2010. [12] M. C. F. Castro, Statistical Approach for Angular Position Separability Classes of EMG Data, submetido ao Biosignals and Biorobotics Conference 2011. Milka Savili Crem Costa Maria Claudia F. Castro