Unsupervised clustering and classification of upper limb EMG signals during functional movements: a data-driven

ملخص تقني: التجميع غير الخاضع للإشراف والتصنيف لإشارات العضلات الكهربائية (EMG) للطرف العلوي

بيان المشكلة
تؤثر عمليات بتر الأطراف العلوية بشكل كبير على الاستقلالية الوظيفية وجودة الحياة، ومع ذلك، لا يزال اعتماد الأطراف الاصطناعية التي تعمل بالتحكم العضلي الكهربائي (myoelectric) متعثراً بسبب معدلات الهجر المرتفعة (حوالي 35%). ويتمثل أحد العوائق الرئيسية في الصعوبات التي يواجهها المستخدمون في تحقيق تحكم بديهي، وغالباً ما يعود ذلك إلى تعقيد محاكاة الحركة البشرية، ووزن الجهاز، وعدم كفاية براعة القبض. وبينما تقدم الهندسة الحديثة تقدماً في دمج المستشعرات، لا يزال التحدي الجوهري قائماً في تطوير أنظمة تحكم قوية وتكيفية يمكنها التمييز بدقة بين أنماط التنشيط العضلي المعقدة دون الحاجة إلى وقت معايرة مفرط أو حمل حوسبي عالٍ. تعالج هذه الدراسة الحاجة إلى مسار قائم على البيانات لتوصيف واختيار وتصنيف إشارات تخطيط كهربائية العضل السطحية (sEMG) أثناء حركات الوصول والقبض الوظيفية، بهدف تقليل الغموض بين الفئات وتحسين تعميم خوارزميات التعرف على الحركة.

المنهجية
استخدم البحث مجموعة بيانات NINAPRO DB4، والتي تضم تسجيلات متعددة القنوات لـ sEMG من 12 قطباً كهربائياً لـ 10 أشخاص أصحاء يقومون بـ 52 إيماءة مختلفة. اعتمدت الدراسة مساراً مكوناً من أربع مراحل:

1. المعالجة المسبقة والتحويل الإشاري:

   • خضعت الإشارات الخام لمرشح تمرير منخفض (low-pass filter) من نوع "باتروورث" من الدرجة الرابعة (بقطع عند 0.6 هرتز) لتخفيف الضوضاء عالية التردد والآثار الحركية.
   • تم تطبيق تحويل هيلبرت (Hilbert transform) لتوليد الغلاف التحليلي، مما وفر تمثيلاً مستمراً لسعة الانقباض العضلي.
   • تم تطبيق التطبيع (Normalization) على مستوى الفرد والقناة للتخفيف من التباين بين الأشخاص.

2. استخراج واختيار الميزات:

   • تم استخراج مجموعة أولية مكونة من 26 ميزة زمنية وترددية، تشمل متوسط القيمة المطلقة (MAV)، وجذر متوسط المربعات (RMS)، والقيمة المطلقة المتكاملة (IAV)، وطول الموجة (WL)، ومقاييس الموجة المتقطعة الهامشية (mDWT).
   • قامت استراتيجية اختيار هجينة بتنقية هذه المجموعة باستخدام التحليل البصري (مخططات الصندوق/المخططات الكمانية)، والمعلومات المتبادلة (MI) للاعتماد الإحصائي، وتحليل المكونات الرئيسية (PCA) للبنية متعددة المتغيرات، ودرجات أهمية شجرة القرار.
   • تكونت مجموعة الميزات النهائية من خمس مقايات رئيسية (IAV، MAV، MAVS، RMS، mDWT) مطبقة عبر 10 قنوات ذات صلة.

3. اختيار الحركة غير الخاضع للإشراف (التجميع):

   • لمعالجة التكرار والتشابه بين الـ 52 إيماءة الأصلية، تم إجراء تجميع هرمي باستخدام الارتباط الكامل (complete linkage) مع مسافة ماهالانوبيس (Mahalanobis distance). يأخذ هذا المقياس في الاعتبار هياكل التباين والتباين المشترك، مما يوفر معياراً قوياً لتجميع الإيماءات بناءً على تشابه مساحة الميزات.
   • حددت هذه العملية ست مجموعات رئيسية. ومن هذه المجموعات، تم اختيار ست حركات ممثلة (بما في ذلك حالة الراحة) بناءً على أقصى قدر من التجانس داخل المجموعة، وأدنى قدر من التشابه بين المجموعات، ومستويات طاقة عالية (RMS).

4. التقسيم الزمني:

   • تم تقييم ثلاثة أطوال للنوافذ غير المتداخلة (100 مللي ثانية، 200 مللي ثانية، 300 مللي ثانية). وتم تحديد النافذة ذات الـ 200 مللي ثانية كأفضل نافذة، حيث حققت توازناً بين الدقة الزمنية واستقرار الميزات، وتماشياً مع الأدلة الفسيولوجية العصبية المتعلقة بأوقات رد الفعل في التحكم الحركي.

5. تقييم المصنف:

   • تم إجراء تقييم على مرحلتين. أولاً، قامت مكتبة PyCaret بأتمتة المقارنة بين 16 خوارزمية تصنيف.
   • ثانياً، خضعت أفضل النماذج أداءً — وهي الغابات الإضافية (Extra Trees - ET) والشبكات العصبية الاصطناعية (ANN) — لتدريب مستقل مع ضبط يدوي للمعلمات الفائقة والتحقق المتقاطع لتقييم الاستقرار والتعميم.

النتائج الرئيسية

• المعالجة المسبقة: أدى الجمع بين مرشح التمرير المنخفض وتحويل غلاف هيلبرت إلى كبح الضوضاء بفعالية مع الحفاظ على القمم الفسيولوجية للتنشيط العضلي، مما سهل عملية التقسيم الزمني بشكل أوضح.
• التجميع: نجح التجميع الهرمي القائم على مسافة ماهالانوبيس في تقليص مجموعة بيانات الـ 52 إيماءة إلى ست فئات متميزة إحصائياً، مما أدى إلى تحسين المقايضة بين التنوع البيوميكانيكي والتعقيد الحوسبي.
• حجم النافذة: أظهرت النافذة ذات الـ 200 مللي ثانية أداءً فائقاً، حيث قدمت توازناً بين التقاط الأحداث العضلية العابرة والحفاظ على الاستقرار الإحصائي عبر مختلف الأشخاص.
• أداء التصنيف:
  • تقييم PyCaret: حقق كل من نموذجي ANN و ET أداءً عالياً، حيث وصل نموذج ANN إلى دقة 95.2% ووصل نموذج ET إلى 94.4%.
  • التحقق المستقل: حافظ كلا النموذجين على أداء قوي في الاختبار المستقل (ANN بدقة 94.7%؛ و ET بدقة 94.4%).
  • سلوك النموذج: أظهر نموذج ET فرط تعلم (overfitting) منخفض مع منحنيات تدريب وتحقق متسقة. بينما أظهر نموذج ANN تحسينات تدريجية في التعلم مع زيادة البيانات، مما يشير إلى قدرة فعالة على تعلم التمثيلات المعقدة.
  • المقارنة: أظهرت النماذج البديلة مثل "أقرب الجيران" (KNN) وآلات ناقلات الدعم (SVM) أداءً أقل، لا سي_ما في التعامل مع الأبعاد العالية والتباين بين الأشخاص في مجموعة البيانات.

الأهمية والمساهمات
تزعم الورقة أن مساهمتها الأساسية تكمن في تطوير مسار شامل وقائم على البيانات يدمج التجميع غير الخاضع للإشراف مع التصنيف الخاضع للإشراف لتعزيز استراتيجيات التحكم العضلي الكهربائي. وتحديداً:

• الاختيار الموضوعي للإيماءات: يوفر استخدام مسافة ماهالانوبيس في التجميع طريقة صارمة إحصائياً لتقليل الغموض بين الفئات، مما يسمح باختيار مجموعة فرعية من الإيماءات متنوعة وظيفياً ولكنها فعالة حوسبياً.
• المعالجة المسبقة القوية: تم التحقق من أن الجمع المحدد بين مرشح التمرير المنخفض (0.6 هرتز) وغلاف هيلبرت يعد استراتيجية فعالة لتخفيف الضوضاء وتنعيم الإشارة في سياقات القياس النموذجية.
• مجموعة الميزات المثلى: تثبت الدراسة أن مجموعة مخفضة من خمس ميزات (IAV، MAV، MAVS، RMS، mDWT) كافية لتصنيف عالي الدقة، مما يدعم تنفيذ أنظمة تحكم ذات زمن انتقال منخفض.
• جدوى النماذج: تؤكد النتائج أن نموذجي ET و ANN يقدمان الاستقرار والتعميم المطلوبين للتطبيقات في الوقت الفعلي، حيث يوفر ET نتائج متسقة بينما يوفر ANN قدرات تعلم تدريجية.

يخلص المؤلفون إلى أنه بينما لا تزال التحديات مثل التباين بين الأشخاص قائمة، فإن هذه المنهجية توفر أساساً قابلاً للتوسع لتطبيقات المستقبل في الوقت الفعلي وأنظمة التحكم التكيفي في الأطراف الاصطناعية التي تعمل بالتحكم العضلي الكهربائي.