Repositorio Universidad del Cauca

Aplicación de wavelets en el análisis y la extracción de características para la clasificación de señales EMGS

Mostrar el registro sencillo del ítem

dc.contributor.author Romo Romero, Harold Armando
dc.date.accessioned 2018-11-30T21:03:23Z
dc.date.available 2018-11-30T21:03:23Z
dc.date.issued 2008
dc.identifier.citation APA
dc.identifier.uri http://repositorio.unicauca.edu.co:8080/xmlui/handle/123456789/287
dc.description.abstract 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). spa
dc.description.abstract 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. eng
dc.description.sponsorship Departamento de Ingeniería Electrónica y Telecomunicaciones, Universidad del Cauca. Popayán. spa
dc.language.iso spa spa
dc.publisher Universidad del Cauca spa
dc.rights.uri https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject Señales EMGS spa
dc.subject Análisis Wavelets spa
dc.subject Clasificación de Patrones spa
dc.subject EMGS Signals eng
dc.subject Wavelet Analysis eng
dc.subject Pattern Classification eng
dc.title Aplicación de wavelets en el análisis y la extracción de características para la clasificación de señales EMGS spa
dc.type Tesis maestría spa
dc.rights.creativecommons https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.type.driver info:eu-repo/semantics/masterThesis
dc.type.coar http://purl.org/coar/resource_type/c_bdcc
dc.publisher.faculty Facultad de Ingeniería Electrónica y Telecomunicaciones spa
dc.publisher.program Maestría en Electrónica y Telecomunicaciones spa
dc.rights.accessrights info:eu-repo/semantics/openAccess
dc.type.version info:eu-repo/semantics/publishedVersion
dc.coar.version http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.identifier.instname
dc.identifier.reponame
oaire.accessrights
dc.identifier.repourl
oaire.version


Ficheros en el ítem

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem

https://creativecommons.org/licenses/by-nc-nd/4.0/ Excepto si se señala otra cosa, la licencia del ítem se describe como https://creativecommons.org/licenses/by-nc-nd/4.0/

Buscar en DSpace


Búsqueda avanzada

Listar

Mi cuenta