EMG Unidad motora.pdf

Optimización y clasificación de señales EMG a través de métodos de reconocimiento de patrones Optimization and Classification of EMG Signals Through Pattern Recognition Methods Cristhian Manuel Durán Acevedo Aylen...

Optimización y clasificación de señales EMG a través de métodos de reconocimiento de patrones Optimization and Classification of EMG Signals Through Pattern Recognition Methods Cristhian Manuel Durán Acevedo Aylen Lisset Jaimes Mogollón PhD. en Ingeniería Electrónica, URV-UPC M. Sc(c) Controles Industriales, Universidad de Pamplona. Sistemas Multisensoriales y Reconocimiento de Patrones. Docente Cátedra, Investigador Grupo GISM, Automatización y Control. Universidad de Pamplona Hardware DSP Pamplona, Colombia Docente Tiempo Completo, Investigador Grupo GISM [email protected] Universidad de Pamplona Pamplona, Colombia [email protected] Resumen— Este artículo presenta un estudio basado en Abstract— This paper presents a study based on the la optimización de la respuesta de un electromiógrafo response optimization of an electromyograph through a través de algunas técnicas utilizadas para el trata- processing techniques for the analysis of surface elec- miento, análisis y procesamiento de señales electro- tromyographic signals, in order to provide a useful tool miográficas superficiales, con el fin de proporcionar una as a strategy for the diagnosis and prognosis of clinical herramienta útil como estrategia para el diagnóstico y symptoms of muscle diseases (e.g. for patients with foot pronóstico de cuadro clínico de enfermedades muscula- drop). The patients were previously diagnosed by phy- res (Por ejemplo, para pacientes con pie caído). siatrists, seven of them were healthy and five showed foot drop neuropathy. A set of electromyographic signals Los datos fueron obtenidos a partir de la información de were acquired and stored during the movement of dorsi- pacientes que fueron diagnosticados previamente por flexion in the supine position from the tibialis anterior fisiatras, de los cuales 7 eran sanos y 5 pacientes mos- muscle in each of patients. Then, these signals were pro- traron neuropatía de pie caído. cessed with feature extraction techniques and pattern recognition methods for their classification. Un conjunto de señales electromiográficas fueron ad- quiridas y almacenadas durante el movimiento de dorsi- Regarding the data preprocessing of electromyographic flexión en una posición supina a partir del músculo tibial signals, methods of time and frequency such as Fourier anterior en cada paciente. Luego estas señales fueron Transform and Principal Component Analysis (PCA) and procesadas mediante técnicas de extracción caracterís- Artificial Neural Networks (i.e. MLP and PNN) were used tica y métodos de reconocimiento de patrones para la to represent graphically in a two-dimensional plane the clasificación de las mismas. results obtained and thus to improve the classification percentage. The results describe an electromyography, Para el pre-procesamiento de las señales electromio- which was optimized with pattern recognition methods, gráficas se emplearon métodos en tiempo y frecuencia, achieving a success rate of 100% in the classification of como la transformada de Fourier y, a su vez, técnicas EMG signals, via surface electrodes. como el Análisis de Componentes Principales (PCA) y redes neuronales artificiales (es decir, MLP y PNN), que Keywords— EMG, FFT, MLP, PCA, foot drop, PNN. permiten representar en forma gráfica los resultados obtenidos en un plano bidimensional y mejorar de esta forma el porcentaje de clasificación. I. INTRODUCCIÓN Los resultados obtenidos describen un sistema electro- La electromiografía es una metodología de miógrafo, el cual fue optimizado mediante la implemen- registro y análisis de la actividad bioeléctrica del tación de métodos de reconocimiento de patrones, se alcanzó un porcentaje de acierto de hasta el 100 % en músculo esquelético, orientada al diagnóstico de la clasificación de señales EMG por medio de electrodos las enfermedades neuromusculares. Estos siste- superficiales. mas han evolucionado paralelamente al conoci- miento de las propiedades de la energía eléctrica Palabras clave— EMG, FFT, MLP, PCA, pie caído, PNN. Recibido: 13/08/2012/ Aceptado: 17/05/2013/ ITECKNE Vol. 10 Número 1 ISSN 1692 - 1798 Julio 2013 67 - 76 68 ITECKNE Vol. 10 Número 1 ISSN 1692 - 1798 Julio 2013 67 - 76 y al desarrollo de la tecnología eléctrica y electró- B. Reclutamiento de las unidades motoras nica. A mediados del siglo XX se introdujo el primer 1) Reclutamiento espacial equipo comercial de electromiografía para uso médico, basado en circuitos electrónicos analógi- Se aplica por la ley de Henneman (1965). El re- cos. El desarrollo posterior de la tecnología digital clutamiento está ordenado por el principio del ta- ha permitido disponer de sistemas expertos con- maño o “size principle”. Las primeras motoneuro- trolados por microprocesadores, cada vez, más nas reclutadas son las motoneuronas de tamaño fiables y potentes para captar, representar, alma- pequeño. Son las que tienen igualmente la veloci- cenar, analizar y clasificar las señales mioeléctri- dad de conducción más débil y que desarrollarán cas. El avance de las nuevas tecnologías de la la tensión muscular más baja y. información y la comunicación puede conducir en 2) Reclutamiento temporal un futuro próximo a la aplicación de desarrollos de Se trata de la suma temporal: un músculo res- inteligencia artificial que faciliten la clasificación ponde mediante una sacudida a un impulso, si un automática de señales así como sistemas exper- siguiente impulso surgiera suficientemente rápi- tos de apoyo al diagnóstico electromiográfico. do, la sacudida sería superior (hay suma). El objetivo del presente artículo es optimizar la respuesta de un electromiógrafo con electrodos II. MÉTODOS EXPERIMENTALES de superficie, utilizado en pacientes con pie caído La Fig. 2. muestra un diagrama en bloques es- a través de técnicas de procesamiento de datos y tructurado de tal manera que se puede seguir un métodos de reconocimiento de patrones para la orden y un análisis desde el músculo del paciente clasificación de medidas. hasta el tratamiento de la señal. A. Concepto de Unidades Motoras Está compuesto por: Las unidades motoras ó motoneuronas son las Captación de la señal (sensores). encargadas de transmitir los impulsos nerviosos y Acondicionamiento (amplificadores). llevarlos hasta el músculo, las cuales son contro- Conversor análogo digital (tarjeta de adquisi- ladas, a su vez, por centros nerviosos superiores ción de datos) que regulan la respuesta motriz. Procesamiento (PC). Los axones de las motoneuronas parten desde Fig. 2 DIAGRAMA EN BLOQUES DEL SISTEMA la medula espinal y llegan hasta las fibras muscu- lares. Cada axón poco antes de conectar con estas fibras se divide y ramifica en muchos terminales, cada uno de los cuales contacta con una fibra a tra- vés de una estructura llamada “Placa Motora “. En la Fig. 1 se observa al conjunto formado por una motoneurona y las fibras musculares que inerva se le llama “Unidad Motora” (U.M). Fig. 1 UNIDAD MOTORA FISIOLOGICAMENTE Fuente: [Online]. Available http://www.pucpr.edu/marc/facultad/asantia- go/anatomia/Muscular.htm#slide0033.htm Fuente: Autores del proyecto Optimización y clasificación de señales EMG a través de métodos de reconocimiento de patrones – Durán, Jaimes 69 A. Muestras B. Materiales El conjunto de medidas realizadas fueron ob- Se registró la actividad del músculo tibial tenidas a partir de una muestra de 12 personas, anterior proveniente de contracciones isomé- con el apoyo y valoración de los Fisiatras: Dr. Ómar tricas; habida cuenta que la MCV es la mayor Albarracín Acosta, Universidad de Pamplona y el fuerza que es capaz de desarrollar el sistema Dr. Larry Rubio de la Fundación Médico Preventi- nervioso y muscular. Se indicó a los pacientes va-Pamplona, previamente tratados y diagnostica- realizar la mayor fuerza de forma voluntaria, dos en estas entidades. durante un tiempo de cuatro segundos, digitali- En la Tabla I, se muestran algunas de sus ca- zadas a una frecuencia de muestreo (fs) de 10 racterísticas. kHz con el “Sistema Registrador Electromiográ- TABLA I. fico de Superficie”, ver Fig. 3. CARACTERíSTICAS DE LOS PACIENTES REGISTRADOS Se utilizaron electrodos superficiales ubi- cados según normativa SENIAM (Surface Elec- troMyoGraphy for the Non-Invasive Assessment (S-sano/L-lesio- (M-masculino/ Estatura (cm) Edad (años) F-femenino) of Muscles), se indica que deben ser colocados Peso (kg) Paciente Género Estado Lesión nado) a 1/3 en la línea entre la punta del peroné y la punta del maléolo medial, mostrado en la Fig. 4. FIG. 3 SISTEMA REGISTRADOR ELECTROMIOGRÁFICO DE SUPERFICIE A M 36 75 170 S B M 32 80 180 S C M 23 70 170 S D M 12 42 130 S E F 22 58 165 S F F 19 50 159 S G M 12 43 145 S Explosión minas 1 M 37 69 166 L escaleras Caída de Fuente: Autores del proyecto 2 F 40 62 164 L En la Tabla II se describen los parámetros en- tre los cuales depende en gran medida el funcio- namiento del equipo EMG. TABLA II. Cirugía 3 F 49 58 160 L PARÁMETROS REGISTRADOR EMG Rango de Frecuencia 10-500Hz CMRR 120 dB Caída 4 F 73 75 157 L Rango de Ruido 0-20 Hz Rango de Amplitud 100µV -20 mV Accidente en carro 5 M 63 63 156 L Ganancia total 1001 Fuente: Autores del proyecto Fuente: Autor del proyecto 70 ITECKNE Vol. 10 Número 1 ISSN 1692 - 1798 Julio 2013 67 - 76 Fig.. 4 UBICACIÓN DE ELECTRODOS SEGÚN NORMATIVA SENIAM 2) Centralización de datos Ajusta las señales a una escala adecuada. En las Fig. 5 y Fig. 6 se observan las señales obtenidas al haber aplicado la técnica de centra- do de datos, el cual es una normalización donde a cada una de las columnas se le resta su valor medio. Es decir, toda medida es descrita por va- riables de media nula. Fig.. 5 SEÑAL ORIGINAL SIN NORMALIZAR Fuente: [Online]. Available: http://www.seniam.org La señal fue registrada en un ordenador, don- de fue monitoreada constantemente y luego al- macenada para posteriormente realizar el análisis respectivo. El software utilizado para la adquisi- ción y análisis de datos fue el Matlab R2009a. C. Protocolo de medición En todos los pacientes se siguió el mismo pro- tocolo de medición. Para la adquisición de cada una de las muestras se emplearon las siguientes pautas: Fuente: Autores del proyecto Fig. 6 SEÑAL CON CENTRADO DE DATOS 1) No se aplicaron lociones ni cremas sobre el área de análisis un día antes de realizar la prueba. 2) Se acomodaron en una posición supina. 3) La zona donde se localizaron los electrodos es- taba debidamente depilada. 4) Se limpió la piel con alcohol antiséptico. 5) A continuación se localizaron los electrodos. 6) Se finalizó con el test Clínico. En total se adquirieron 60 muestras y por cada paciente se realizaron 5 repeticiones. Fuente: Autores del proyecto D. Tratamiento de los datos 3) Extracción característica con Transformada de Fourier 1) Pre-procesamiento El análisis de frecuencia es la forma más utiliza- El pre-procesamiento prepara los datos para da para describir las principales características de su extracción. La toma de datos del sensor implica los registros de actividad eléctrica continua en se- una entrada de información innecesaria que hace ñales fisiológicas como el patrón por interferencia lento el procesamiento y dificulta la extracción, en del electromiograma, aunque también han sido uti- esta sección se hace una primera selección de lizados otros parámetros obtenidos en el dominio la información al eliminar componentes de ruido del tiempo, como los llamados “turns” y la amplitud principalmente. total. Optimización y clasificación de señales EMG a través de métodos de reconocimiento de patrones – Durán, Jaimes 71 El análisis de frecuencia representa, en reali- sigmoidal es un aproximador universal de cual- dad, la cantidad de actividad como un continuo en quier función continua en un conjunto compac- un conjunto de frecuencias. to. Las redes neuronales MLP pueden trabajar como cualquier clasificador no lineal o como 4) Procesamiento de datos una función de regresión , y. Para el procesamiento de cada una de las señales obtenidas por el sistema EMG, depende D. Red neuronal probabilística (PNN) directamente de los procedimientos realizados Esta red es muy utilizada en problemas de durante el pre-procesamiento, de esto obedecerá clasificación. La red consta de dos capas, una el éxito en los resultados. Este es el motivo del primera red de neuronas de base radial con un cuidadoso análisis que se realizó a cada una de número de neuronas igual al número de vecto- las etapas. Las fases que implica el correcto pro- res de entrenamiento, y una capa competitiva cesamiento de las señales electromiográficas se de un conjunto de neuronas cuyo número es presentan a continuación: igual al número de categorías consideradas en el problema de clasificación. Cada neurona de A. Reducción de la Dimensionalidad base radial (de la capa de entrada) almacena Cuando se recoge la información de una como pesos uno de los vectores de entrena- muestra de datos, lo más frecuente es tomar el miento y. mayor número posible de variables. Sin embargo, si tomamos demasiadas variables sobre un con- III. RESULTADOS junto de objetos, por ejemplo 20 variables, ten- dremos que considerar 180 posibles coeficien- A. Estudio de la señal tes de correlación. Evidentemente, en este caso es difícil visualizar relaciones entre las variables. En la Fig. 7 se ilustra la respuesta de una Otro problema que se presenta es la fuerte corre- señal electromiográfica sin ningún tipo de pro- lación que muchas veces se presenta entre las cesamiento. Puede apreciarse que aunque es variables: si tomamos demasiadas variables, lo una señal electromiográfica típica no se puede normal es que estén relacionadas o que midan establecer un punto de referencia para su inter- lo mismo bajo distintos puntos de vista. Se hace pretación, es decir, si se desea tomar diferentes necesario, pues, reducir el número de variables. muestras se observa que nunca parten de un Es importante resaltar el hecho de que el con- mismo punto (línea base), por ello la necesidad cepto de mayor información se relaciona con el de realizar un centrado de datos, permitiendo de mayor variabilidad o varianza. Cuanto mayor así una mejor visualización y análisis. sea la variabilidad de los datos (varianza) se con- Fig. 7. SEÑAL ELECTROMIOGRÁFICA SIN PROCESAR (LíNEA BASE 3 VOL- TIOS DC DE AMPLITUD) sidera que existe mayor información. B. Análisis PCA (Análisis de Componentes Principales) El método PCA permite reducir, representar y extraer información relevante del conjunto de datos y al mismo tiempo para ver si se pueden determinar agrupaciones (“clúster”) espontá- neas entre las diferentes medidas realizadas previamente. , y. C. Red perceptron multicapa (MLP) La red neuronal MLP está construida usando Fuente: Autores del proyecto nodos que se parecen a un sistema de circuitos En la Fig. 8 se observa que la señal ya tiene biológicos neuronales. Se ha demostrado que un centrado de datos pues es un factor primordial una red MLP con una capa oculta y la función para su posterior interpretación y procesado. 72 ITECKNE Vol. 10 Número 1 ISSN 1692 - 1798 Julio 2013 67 - 76 Fig. 8. SEÑAL ELECTROMIOGRÁFICA APLICADO CENTRADO DE DATOS Para la interpretación de la Fig. 9 y de la Fig. (LíNEA BASE APROX. O VOLTIOS DC DE AMPLITUD) 10, se tiene en cuenta las características físicas de la persona. En estos casos las señales se identifican por su forma, es decir, se califica la señal. En éstas se observan tres fases. Primera fase: Reposo: el tejido muscular es eléctricamente silencioso. No existen ampli- tudes significativas. Segunda fase: Contracción: cuando el mús- culo se contrae voluntariamente, la acti- Fuente: Autores del proyecto vidad comienza a aparecer. A medida que Se efectuaron varios registros cuantitativos en la contracción aumenta, más y más fibras contracción isométrica (la longitud del músculo no musculares producen potenciales de acción cambia durante la contracción), durante 4 segun- hasta que aparece un grupo desordenado dos. de dichos potenciales de tasas y amplitudes variables (patrón de interferencia y recluta- A continuación, tal y como se observa en la miento completo) con la contracción total. Fig.9, se presenta una señal típica electromiográ- fica de un paciente normal. Fig 9 SEÑAL ELECTROMIOGRÁFICA PACIENTE SANO Tercera fase: Reposo: la señal vuelve a dis- minuir en amplitud, el músculo se relaja. Según la interpretación médica se infiere que el paciente presenta un músculo en estado normal (ver Fig. 8), se observó una señal con sus tres fases normales durante la contracción, igualmente los valores de amplitud se encuen- tran dentro de los estándares (amplitud de 3mV). En la Fig. 9 el paciente presenta un músculo totalmente anormal, anestésico, está desconec- Fuente: Autor del proyecto tado. En la Fig. 10 se ilustra la respuesta de una se- Se observó una línea base de valor 0V. No ñal adquirida en las mismas condiciones pero de presentó reclutamiento, amplitud 0V, contrac- un paciente con cuadro clínico pie caído. ciones nulas. Para este paciente las amplitudes Fig. 10 SEÑAL ORIGINAL-CENTRADO DE DATOS de la señal están por debajo de los 100 µV, su reclutamiento es muy bajo, lo cual conlleva a inferir un diagnóstico de debilidad muscular. B. Características Frecuenciales Las señales electromiográficas presentan un contenido espectral que puede dar una idea del músculo. En la Tabla III se describen las características en frecuencia y amplitud de las señales más re- levantes tomadas de los pacientes en estudio. Fuente: Autores del proyecto Optimización y clasificación de señales EMG a través de métodos de reconocimiento de patrones – Durán, Jaimes 73 TABLA III. Fig. 11 ESPECTRO DE FOURIER, PACIENTE SANO CARACTERíSTICAS EN AMPLITUD Y FRECUENCIA Características Paciente Amplitud (mv) Frecuencia (khz) A Máx. pico Amplitud EMG 1.768 Máx. pico Amplitud Fourier 0.7743 Frecuencia Fourier 0.164 B Máx. pico Amplitud EMG 2.137 Máx. pico Amplitud Fourier 1.219 Frecuencia Fourier 0.291 C Máx. pico Amplitud EMG 2.655 Máx. pico Amplitud Fourier 1.18 Fuente: Autores del proyecto Frecuencia Fourier 0.241 Fig. 12 ESPECTRO DE FOURIER, PACIENTE LESIONADO D Máx. pico Amplitud EMG 2.554 Máx. pico Amplitud Fourier 0.7857 Frecuencia Fourier 0.663 E Máx. pico Amplitud EMG 2.368 Máx. pico Amplitud Fourier 0.7969 Frecuencia Fourier 0.007 F Máx. pico Amplitud EMG 1.363 Máx. pico Amplitud Fourier 0.6925 Frecuencia Fourier 0.368 G Máx. pico Amplitud EMG 2.193 Máx. pico Amplitud Fourier 0.9502 Fuente: Autores del proyecto Frecuencia Fourier 0.245 1 Máx. pico Amplitud EMG 0.01073 Al comparar las características frecuenciales Máx. pico Amplitud Fourier 0.05394 (ver Fig. 13) entre un paciente sano y otro pacien- Frecuencia Fourier 0.241 te con la lesión, se observa que el espectro del paciente sano (onda con mayor amplitud) posee 2 Máx. pico Amplitud EMG 0.2705 mayor valor frecuencial y mayor valor de ampli- Máx. pico Amplitud Fourier 0.1007 tud que el espectro del paciente lesionado (onda Frecuencia Fourier 0.31 menor amplitud); según las gráficas obtenidas 3 Máx. pico Amplitud EMG 0.7203 del paciente sano (Ver Fig. 11), el mayor valor de Máx. pico Amplitud Fourier 0.258 frecuencia oscila de 0 a 1000 Hz, mientras que Frecuencia Fourier 0.007 en el paciente con lesión (ver Fig. 12) fluctúa de 4 Máx. pico Amplitud EMG 0.3623 0 a 500 Hz. Máx. pico Amplitud Fourier 0.1872 De estos comportamientos se puede explicar Frecuencia Fourier 0.089 que cuando se realiza una contracción volunta- 5 Máx. pico Amplitud EMG 0.5155 ria, las primeras unidades motoras en activarse son las de contracciones lentas resistentes a la Máx. pico Amplitud Fourier 0.08768 fatiga. Frecuencia Fourier 0.196 A medida que aumenta la fuerza, se activan Fuente: Autores del proyecto las unidades motoras que están compuestas de En las gráficas se presenta un espectro de fibras rápidas resistentes a la fatiga y después Fourier, que corresponde a 0.5 segundos de una se activan las compuestas de fibras de contrac- señal de un paciente sano, (ver Fig. 11) y un pa- ción rápida y rápidamente fatigables; dicho de ciente con lesión (ver Fig. 12). otra forma, a medida que aumenta el nivel de 74 ITECKNE Vol. 10 Número 1 ISSN 1692 - 1798 Julio 2013 67 - 76 fuerza ejercida durante la contracción muscular, Fig. 14. RESULTADO ANÁLISIS DE COMPONENTES PRINCIPALES se produce un aumento del número de unidades motoras activadas, observable por aumento de la amplitud (reclutamiento espacial) y, por otra, se produce también un aumento de la frecuencia de disparo de las motoneuronas (reclutamiento temporal). Tales requerimientos condicionan la morfolo- gía y las características de las ondas EMG, ex- plicable por los cambios bioquímicos a nivel del músculo, quiere esto decir que el músculo ante un esfuerzo creciente, responde a través de la señal eléctrica de dos formas: a) un aumento de la activación de nuevas fibras musculares, o re- clutamiento espacial; b) aumento de la frecuen- Fuente: Autores del proyecto cia de pulsaciones de las unidades motoras o En la Fig. 15, se presenta el mismo proceso, reclutamiento temporal. pero visto en proyecciones sobre los componentes Para el espectro del paciente con lesión, se principales. observa que en un principio la amplitud aumen- Fig. 15. RESULTADO DEL ANÁLISIS DE COMPONENTES PRINCIPALES- ta y hay una disminución de la descarga, con la PROYECCIONES aparición de una “onda lenta”, relacionada de una manera significativa con el comienzo de una sensación de fatiga local, con la sensación de dolor y con la incapacidad del sujeto para mante- ner la tensión proyectada. Fig. 13 COMPARACIÓN ESPECTROS DE FOURIER, PACIENTE SANO VS. PACIENTE LESIONADO Fuente: Autores del proyecto Para el caso de señales EMG, PCA es un mé- todo útil para la distinción y discriminación de medidas a través de “cluster” de pacientes sa- nos y pacientes con lesión. Como primer resul- tado los pacientes que presentaron el cuadro Fuente: Autores del proyecto clínico de pie caído se ubican en un solo sector del plano y tienen tendencia a la línea cero, se Para aplicar el método de PCA se tomó un espera que al realizar un diagnóstico del proce- grupo completo de pacientes sanos y lesionados so evolutivo de un paciente éste se ubique más con el objetivo de obtener un resultado investi- a la izquierda del plano, interpretado una leve gativo previo de la respuesta y utilidad que éste mejoría, si es el caso. puede ofrecer. Los datos obtenidos del sistema fueron lle- En la Fig. 14, se observa un primer resultado, vados a una hoja de cálculo con el fin de buscar del cual podemos resaltar que se pude distinguir un fundamento matemático que contribuyera a los pacientes sanos de los lesionados, así como relacionar las variables tratadas. las muestras de cada uno. Optimización y clasificación de señales EMG a través de métodos de reconocimiento de patrones – Durán, Jaimes 75 En la Fig. 16 se presenta una gráfica en donde TABLA IV. CLASIFICACIÓN DE MEDIDAS se observa los valores numéricos de frecuencia de cada paciente y en la Fig. 17. Se da a conocer Número de Caso de Red Red respecto a su amplitud. categorías Clasificación MLP PNN Fig. 16. VALORES FRECUANCIALES DE CADA PACIENTE Todos los 12 40 % 80 % pacientes Pacientes 7 60 % 94,3 % sanos Pacientes 5 64 % 68 % lesionados Pacientes en 2 buen estado y 100 % 100 % lesionados Fuente: Autores del proyecto En la mayoría de los casos se obtiene una me- jor respuesta con la red PNN. Fuente: Autores del proyecto Fig. 17. VALORES DE AMPLITUD DE CADA PACIENTE IV. CONCLUSIONES A través de la Transformada de Fourier se logró obtener una característica relevante en el conjun- to de datos y en la respuesta de las señales emiti- das por los pacientes lesionados y sin lesión. El empleo de la técnica de reconocimiento PCA demuestra ser una herramienta útil con mayor profundidad y precisión para el estudio de las se- ñales EMG, y además sirve de soporte empírico y metódico qque logra discriminar las muestras de los pacientes saludables con respecto a los afec- tados. Con la técnica de discriminación PCA, se lo- gró clasificar las muestras de los pacientes según el nivel de complejidad de la enfermedad. Fuente: Autores del proyecto Las redes neuronales son apropiadas para re- Podemos entonces inferir que al realizar un solver problemas de clasificación, en este caso la análisis paralelo con respecto a los resultados red PNN demostró una amplia eficiencia en cuan- PCA, efectivamente existe una relación entre la to a la velocidad de respuesta y sobre todo en el amplitud y frecuencia de la hoja de datos respec- alto porcentaje de acierto en la discriminación de to a los resulatdos obtenidos de PCA, ya que las todas las categorías. señales se ubican en el plano según sus rangos El sistema EMG junto con las técnicas expues- de amplitud y frecuencia. tas en el presente artículo, demuestra que puede C. Clasificación de medidas ser utilizado ampliamente y con gran efectividad como herramienta de diagnóstico para identificar En la Tabla IV se observa cada una de las res- enfermedades neuromusculares en las personas. puestas de clasificación del conjunto de 60 medi- das y 12 categorías, por medio de redes neurona- AGRADECIMIENTOS les, donde se realizaron diferentes agrupaciones con el objetivo de determinar el porcentaje de Los autores reconocen y agradecen las con- acierto en la clasificación. tribuciones del grupo de Investigación Sistemas 76 ITECKNE Vol. 10 Número 1 ISSN 1692 - 1798 Julio 2013 67 - 76 Multisensoriales y Reconocimiento de Patrones D. R. Rogers, T. Dawn. Isaac. M, “EMG-based de la Universidad de Pamplona. muscle fatigue assessment during dynamic con- tractions using principal component analysis” Jo- REFERENCIAS urnal of Electromyography and Kinesiology, Vol. 21, Issue 5, pp.811-818, October 2011. R.N. Khushaba, S. Kodagoda, M. Takruri, G. Dis- K. Kiatpanichagij, N. Afzulpurkar, “Use of super- sanayake, “Toward improved control of prosthetic vised discretization with PCA in wavelet packet fingers using surface electromyogram (EMG) sig- transformation-based surface electromyogram nals” Expert Systems with Applications, Vol. 39, classification”, 2009, Biomedical Signal Proces- Issue 12, pp.10731-10738, September 2012. sing and Control, Vol. 4, Issue 2 pp.127–138, K. K. Jung, J. W. Kim, H.K. Lee, S.B. Chung, K.H. April 2009. Eom, “EMG pattern classification using spectral S.Park, J.H.Na, J.Y.Choi, “PCA-based feature ex- estimation and neural network” 2007, SICE An- traction using class information Myoung, Sys- nual Conference pp. 1108 – 1111. tems”, Man and Cybernetics, 2005 IEEE Interna- T. Doherty, Z. Simmons, B. O’Connel, K. Felice, tional Conference on, Vol.: 1, pp. 341 – 345. R. Conwit, K. Ming Chan, T. Komori, T. Brown, D. I.B.V. Da Silva, P.J.L, Adeodato, “PCA and Gaus- Stashuk, and W. Brown “Methods for Estimating sian noise in MLP neural network training im- the Numbers of Motor Units in Human Mus- prove generalization in problems with small and cles”, 1995, Journal of Clinical Neurophysiology, unbalanced data sets” 2011, Neural Networks Vol.12, pp.:565-84. (IJCNN), The 2011 International Joint Conferen- A. Hamilton-Wright, D.W. Stashuk, “Physiologi- ce , pp. 2664 – 2669. cally based simulation of clinical EMG Signals”, W. Yu, H. Yamaguchi, H.Yokoi, M. Maruishi, 2005, Biomedical Engineering, IEEE Transac- Y.Mano, Y.Kakazu, “EMG automatic switch for tions on, Vol.: 52, Issue: 2, pp. 171 – 183. FES control for hemiplegics using artificial neural G. Cometti, Métodos modernos de musculación, network”, Robotics and Autonomous Systems, Editorial Paidotribo, cuarta edición, 2005. Vol. 40, Issues 2–3, pp. 213-224, 31 Aug 2002. C. Durán, A. Jaimes, “Diseño de un registrador Y.l Özbay, G. Tezel,” A new method for classifi- electromiográfico de superficie para cuantificar cation of ECG arrhythmias using neural network unidades motoras en la enfermedad del pie Caí- with adaptive activation function”, Digital Signal do” Revista: Revista Colombiana de Tecnologías Processing, Vol. 20, Issue 4, pp. 1040-1049, July de Avanzada, Vol 2, No. 1, pp. 57 – 62, 2010. 2010. Normativa SENIAM (Surface ElectroMyoGraphy K. Liang, W.Chen. “Fast adaptive PNN-based for the Non-Invasive Assessment of Muscles, on- thresholding algorithms, Pattern Recognition”, line, Available, http://www.seniam. org//. Vol. 36, Issue 12, pp. 2793-2804, December 2003. M. Reaz, M. Hussain, F. Mohd-Yasin. “Techniques of EMG signal analysis; Detection, processing, H.C.Dubey, Nandita, A.K. Tiwari, “Blind modula- classification and applications”, Biological Pro- tion classification based on MLP and PNN, 2012 cedures, Vol.8, 1, pp.163, 2006. in Engineering and Systems (SCES), Students Conference, pp: 1-6.