Las señales Electro-MioGráficas Superficiales (EMGS) obtenidas de manera no invasiva por medio de electrodos ubicados sobre la piel, constituyen una valiosa fuente de información de la actividad muscular, razón por la cual, estas señales tienen hoy en día gran aceptación para sus aplicaciones en el control de prótesis de mano.
El objetivo central de este trabajo es, mediante el análisis de señales EMGS con técnicas basadas en wavelets, extraer características que ayuden a mejorar el desempeño en la clasificación de señales EMGS.
El problema de clasificación de señales EMGS se resuelve mediante un adecuado procesamiento de señales en las fases de: extracción de características, reducción de dimensionalidad y de reconocimiento de patrones. Debido a la interdependencia de estas fases se requiere la implementación de una solución integrada. Esto es posible mediante una adecuada caracterización tiempo-frecuencia de las señales EMGS.
En este trabajo se muestra que la representación simultanea de una señal en los dominios tiempo-frecuencia, lograda mediante la transformación wavelets, permite extraer características con mayor capacidad discriminante para mejorar su clasificación. Sin embargo, la transformada wavelet produce una representación bidimensional de la señal con una dimensión comparable a la de su dominio original, por lo que se requiere reducir su dimensionalidad. Para esto, en este trabajo se utiliza la técnica de selección de características con función de costo basada en el índice
de separabilidad de clases (CSI), junto con una adecuada selección de sub-bandas para la transformada wavelet discreta (DWT) y un algoritmo de selección de las mejores bases para la transformada de paquetes wavelets (WPT).
Finalmente se muestra que en la representación de señales EMGS, la combinación de características temporales con características espectral basadas en wavelets, permite alcanzar un buen desempeño en la clasificación de señales EMGS.
Para validar los resultados se utiliza como clasificadores: una red neuronal probabilística (PNN), una maquina de soporte vectorial (SVM) y un perceptron multicapas (MLP).
Surface Electro-myographics Signals (EMGS), obtained in non-invasive way by
electrodes located over the skin, constitute a valuable information source of the muscular
activity. For this reason, these signals are widely accepted to develop the hand
prosthesis control.
The main objective of this work is to improve the performance of an EMGS feature
extraction system based on wavelets.
The problem of EMGS signal classification is solved by an appropriate signal
processing in the following phases: feature extraction, dimensionality reduction and
pattern recognition. Since these phases are interdependent, the implementation of
an integrated solution is required. This signal processing is possible by means of an
appropriate time-frequency characterization of the EMGS signals.
This work shows that the simultaneous representation of a signal in the time and
frequency domains, achieved by a wavelet transform, allows a more discriminative
feature extraction to improve the pattern classification. Since the wavelet transform
gives a bi-dimensional representation whose length is the same as the input signal,
a dimensionality reduction is required. Here is used a feature selection technique
based on class separability index (CSI) with an appropriate sub-band selection, for
the discrete wavelet transform (DWT), and a best basis selection algorithm, for the
wavelet packet transform (WPT).
Finally, it is shown that the combination of temporal features with spectral features
based on wavelets achieves a good performance for the EMGS signal classification.
To validate the results, classifiers based on probabilistic neural network (PNN), the
support vector machine (SVM) and the multi-layer perceptron (MLP) are used.