A methodology to rank importance of frequencies and channels in electromyography data with Decision Tree classifiers

Resumen Técnico: Metodología para la Jerarquización de Frecuencias y Canales en Datos de EMG mediante Clasificadores de Árboles de Decisión

1. Planteamiento del Problema

La electromiografía (EMG) es fundamental en ciencias biomédicas y deportivas para analizar la actividad muscular y evaluar la recuperación tras el esfuerzo. Sin embargo, las señales de EMG son complejas, ruidosas y de alta dimensionalidad.

• Desafío principal: Aunque los métodos de ensamble basados en árboles (como Random Forest o Gradient Boosting) ofrecen alta precisión, carecen de interpretabilidad. En contextos clínicos y deportivos, la transparencia sobre qué características (frecuencias y canales) impulsan la decisión del modelo es crítica.
• Objetivo: Identificar un subconjunto limitado de características altamente informativas (frecuencias específicas y canales de electrodos) que permitan clasificar eficazmente los periodos de descanso (recuperación muscular) sin sacrificar la capacidad de explicar el modelo.

2. Metodología

A. Recolección y Preprocesamiento de Datos

• Participantes: Se utilizó una muestra final de 10 voluntarios (7 hombres, 3 mujeres) tras excluir datos de baja calidad.
• Protocolo Experimental: Los participantes realizaron sentadillas y posturas de pie (manteniendo la posición 3 segundos) en bloques de ejercicio.
• Variables de Clase: El objetivo era clasificar el intervalo de descanso posterior al ejercicio en tres categorías: 1, 5 o 10 minutos.
• Adquisición de Señal: Se utilizó un sistema personalizado basado en microcontrolador STM32F401 con 3 canales de EMG sobre el músculo vastus lateralis. La tasa de muestreo fue de 1 kHz.
• Preprocesamiento:
  • Corrección de línea base (promedio de 5 segundos).
  • Filtrado paso banda (20-500 Hz).
  • Filtrado notch (50 Hz) para eliminar ruido de red eléctrica.
• Extracción de Características: Se calculó la Densidad Espectral de Potencia (PSD) para frecuencias de 1 a 450 Hz en los 3 canales, generando un conjunto de datos con 252 observaciones y 1,351 características (columnas).

B. Enfoque de Aprendizaje Automático

• Modelo: Se seleccionaron Clasificadores de Árbol de Decisión individuales (implementación CART de Scikit-learn) en lugar de ensambles, priorizando la interpretabilidad sobre la máxima precisión absoluta.
• Validación: Se empleó Validación Cruzada Estratificada K-Fold (K=3) para abordar el desequilibrio de clases y optimizar hiperparámetros mediante Búsqueda en Cuadrícula (Grid Search).
• Proceso Iterativo de Selección:
  1. Se entrenaron 1,349 árboles de decisión.
  2. En cada iteración, se identificó la característica más importante (basada en la disminución media de impureza).
  3. Se excluyó dicha característica y se reentrenó el modelo, reduciendo progresivamente el número de características hasta quedar con una sola.

C. Propuesta de la Métrica "Rank Frequency" (Jerarquía de Frecuencia)
Para evaluar la estabilidad y robustez de las características, los autores propusieron una nueva función de puntuación que combina:

1. El rendimiento predictivo del modelo (puntuación F1 ponderada).
2. La proporción de características informativas (no cero) en el árbol.
3. La posición (rango) del árbol dentro de todos los modelos analizados.
4. La posición (rango) de la característica específica dentro de ese árbol.

La fórmula propuesta es:
$$\text{FeatureRank} = \frac{I(f_i)}{4} \cdot \sum_{i=1}^{N} \left( \frac{\text{mean}(f1(cv)_i)}{\max(x) + |f(x \neq 0)_i|} + \frac{1}{\text{dt\_rank}_i} + \frac{1}{\text{f\_rank}_i} \right)$$

3. Resultados Clave

• Rendimiento del Modelo: El mejor clasificador alcanzó una puntuación F1 ponderada promedio de 0.4974, superando significativamente la línea base de 0.33. El 50% de los modelos superaron un F1 de 0.42.
• Relación Características-Rendimiento:
  • Se observó que aumentar el número total de características mejora la clasificación.
  • Sin embargo, al considerar solo las características informativas (con importancia no nula), no existe una correlación directa entre la cantidad de estas y la mejora del rendimiento. Esto sugiere que la calidad de la característica es más importante que la cantidad.
• Hallazgos de la Métrica "Rank Frequency":
  • De 1,350 características analizadas, solo 3 obtuvieron un rango superior a 3, indicando una alta estabilidad y relevancia.
  • Top 10 Características: Las 10 características más importantes para la clasificación de recuperación muscular incluyen componentes de alta y baja frecuencia.
  • Dominio del Canal 3: El electrodo 3 (canal 3) representó 6 de las 10 características mejor clasificadas, sugiriendo que la ubicación de este electrodo en el vastus lateralis captura la información más crítica para este protocolo.

4. Contribuciones Principales

1. Método de Jerarquización Novel: Introducción de la metodología "Rank Frequency", una herramienta analítica diseñada para identificar subconjuntos estables de características en datos de EMG, priorizando la robustez sobre el ruido.
2. Interpretabilidad en Contextos Críticos: Demostración de que los clasificadores de árboles de decisión simples, combinados con una selección rigurosa de características, pueden ofrecer modelos transparentes y efectivos para diagnósticos médicos y deportivos.
3. Reducción de Redundancia: Evidencia de que un subconjunto muy limitado de frecuencias y canales es suficiente para lograr una clasificación fiable, lo que permite simplificar los sistemas de hardware futuros.
4. Reproducibilidad: Los autores han hecho públicos el código y los datos (excluyendo información sensible) para fomentar la investigación abierta.

5. Significado e Impacto

Este estudio es significativo porque aborda la "caja negra" de los modelos de IA en biomedicina. Al demostrar que es posible clasificar la recuperación muscular con alta interpretabilidad utilizando pocos canales y frecuencias específicas:

• Aplicaciones Clínicas y Deportivas: Facilita el desarrollo de dispositivos portátiles y sistemas de diagnóstico más simples y comprensibles para entrenadores y médicos.
• Diseño de Hardware: Guía el diseño de sistemas embebidos y FPGAs (Arrays de Puertas Programables en Campo) optimizados, reduciendo el costo computacional y energético al eliminar la necesidad de procesar todo el espectro de frecuencias.
• Futuro de la Investigación: Establece una base para desarrollar modelos compactos y robustos, sugiriendo que la complejidad del modelo no es sinónimo de mejor rendimiento en tareas de EMG específicas.

En conclusión, el trabajo valida que la transparencia y la eficiencia pueden coexistir en el procesamiento de señales biomédicas, ofreciendo una ruta clara hacia sistemas de EMG más inteligentes y accesibles.