A Feature Extraction Pipeline for Enhancing Lightweight Neural Networks in sEMG-based Joint Torque Estimation

Resumen Técnico: Pipeline de Extracción de Características para Mejorar Redes Neuronales Ligero en la Estimación de Torque Articular basado en sEMG

1. Planteamiento del Problema

La rehabilitación asistida por robots y los exoesqueletos requieren una predicción precisa de los torques articulares del usuario para ofrecer una asistencia personalizada y segura. Los desafíos principales incluyen:

• Variabilidad humana: La fisiología y los movimientos humanos son impredecibles.
• Limitaciones de los modelos existentes: Los modelos musculo-esqueléticos (como el tipo Hill) son difíciles de construir debido a la necesidad de muchos parámetros medidos con equipos especializados.
• Dependencia de datos y complejidad: Los enfoques de aprendizaje profundo recientes (como redes recurrentes o convolucionales temporales) a menudo requieren grandes conjuntos de datos y arquitecturas computacionalmente costosas, lo cual es impráctico en entornos clínicos donde los datos son limitados y la fatiga del paciente es un factor.

El objetivo de este trabajo es desarrollar un pipeline de extracción de características que permita a redes neuronales simples y ligeras (como MLP) lograr un rendimiento comparable o superior al de arquitecturas complejas diseñadas específicamente para dependencias temporales (como TCN), utilizando datos limitados de un solo sujeto.

2. Metodología

A. Diseño Experimental y Adquisición de Datos

• Participante: Un sujeto masculino sano (24 años).
• Configuración: Se utilizaron 8 canales de electromiografía de superficie (sEMG) en el brazo derecho (deltoides, bíceps, tríceps, braquial, pectoral mayor) y tres cámaras de captura de movimiento (Qualisys) a 500 Hz.
• Condiciones: El sujeto realizó movimientos de agarre y movimientos complejos (flexión/extensión de hombro y codo) bajo tres cargas: 0 kg, 1.10 kg y 1.85 kg.
• Torques de Referencia: Se calcularon utilizando el método de equilibrio estático basado en la cinemática del centro de masa y las fuerzas gravitacionales, asumiendo que el sistema está en equilibrio estático en cada instante. Se estimaron tres torques: codo ($\tau_e$), hombro frontal ($\tau_{sf}$) y hombro lateral ($\tau_{ss}$).

B. Pipeline de Extracción de Características Propuesto
El núcleo de la propuesta es un pipeline de procesamiento de señales que transforma las señales sEMG crudas en un conjunto de características optimizado:

1. Preprocesamiento: Eliminación de derivas de base, filtrado paso-banda (15-225 Hz) con filtro Butterworth de cuarto orden y filtrado de varianza para capturar fluctuaciones de amplitud.
2. Normalización: Se comparó la normalización global vs. específica por condición. Se adoptó la normalización específica por condición (separada por peso y tipo de movimiento) para evitar sesgos debido a las grandes diferencias de amplitud entre cargas.
3. Activación Neural: Modelado del retraso electromecánico mediante una ecuación de diferencia de segundo orden para simular la activación muscular a partir de la señal EMG rectificada.
4. Extracción de Características:
   • Dominio del tiempo: RMS, longitud de onda (WL), cambio de signo de la pendiente (SSC).
   • Dominio de la frecuencia: Potencia de banda (BP) calculada mediante el método multitaper.
   • Dominio tiempo-frecuencia: Transformada Wavelet de Morlet (MWT) para capturar eventos transitorios y cambios rápidos.
5. Post-procesamiento: Apilamiento de historial (history stacking) de ventanas de 100 ms con 50% de superposición, reducción de dimensionalidad con PCA y codificación one-hot de las condiciones experimentales.

C. Modelos de Aprendizaje Automático
Se evaluaron dos arquitecturas para comparar la eficacia del pipeline:

1. MLP (Perceptrón Multicapa): Una red feedforward simple con capas ocultas, normalización por lotes, dropout y función de pérdida Huber ponderada.
2. TCN (Red de Convolución Temporal): Una arquitectura diseñada explícitamente para secuencias, utilizando convoluciones causales y dilataciones. Se probó con dos entradas: solo puntos de tiempo preprocesados y el pipeline completo de características.

3. Resultados Clave

Los experimentos se realizaron con cinco semillas aleatorias diferentes para garantizar la robustez.

• Impacto de la Normalización: La normalización específica por condición (Condición B) superó consistentemente a la normalización global, especialmente al incluir la carga de 0 kg, donde la normalización global degradó drásticamente el rendimiento ($R^2$ cayó de ~0.80 a ~0.23 para el codo).
• Comparación MLP vs. TCN:
  • El MLP con el pipeline propuesto logró un RMSE medio de 0.963 N·m (codo), 1.403 N·m (hombro frontal) y 1.434 N·m (hombro lateral).
  • El TCN utilizando solo puntos de tiempo (sin el pipeline de características) obtuvo resultados ligeramente inferiores o comparables, pero el TCN con el pipeline mostró mejoras marginales.
  • Hallazgo Principal: El MLP, alimentado con las características extraídas, logró un rendimiento comparable e incluso superior al TCN en ciertos casos (especialmente en el hombro frontal), a pesar de carecer de una arquitectura diseñada explícitamente para dependencias temporales.
• Métricas de Correlación: El MLP mostró coeficientes de correlación de Pearson ($\rho$) ligeramente superiores (ej. 0.926 vs 0.924 para el codo), indicando una mejor captura de la dinámica temporal y las variaciones de amplitud.

4. Contribuciones Clave

1. Pipeline de Características Eficiente: Demostración de que una extracción de características exhaustiva (combinando dominios temporal, frecuencial y tiempo-frecuencia) puede compensar la falta de complejidad arquitectónica en redes neuronales.
2. Viabilidad de Modelos Ligeros: Se prueba que un MLP simple puede igualar o superar a redes TCN complejas en la estimación de torque, lo cual es crucial para la implementación en dispositivos embebidos o con recursos limitados.
3. Estrategia de Normalización: Identificación de que la normalización específica por condición es crítica cuando se trabaja con datos que abarcan desde reposo (0 kg) hasta cargas significativas.

5. Significado e Impacto

Este trabajo es altamente relevante para la robótica de rehabilitación y la interacción humano-robot, especialmente en escenarios donde:

• Los datos de entrenamiento son limitados: Común en estudios clínicos con pacientes individuales.
• Se requiere baja latencia y eficiencia computacional: Las redes MLP son más ligeras y rápidas de entrenar e inferir que las TCN o RNN.
• La personalización es necesaria: La capacidad de lograr buenos resultados con un solo sujeto sugiere que este enfoque es viable para la adaptación rápida a nuevos usuarios sin necesidad de grandes bases de datos poblacionales.

En conclusión, el estudio valida que la ingeniería de características inteligente puede ser tan efectiva como el diseño de arquitecturas profundas complejas para la estimación de torque articular, facilitando la adopción de sistemas de asistencia robótica más accesibles y eficientes.