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

Resumen Técnico: Agrupamiento y Clasificación No Supervisada de Señales EMG del Miembro Superior

Planteamiento del Problema
Las amputaciones del miembro superior impactan significativamente la autonomía funcional y la calidad de vida, sin embargo, la adopción de prótesis mioeléctricas sigue obstaculizada por altas tasas de abandono (aproximadamente 35%). Una barrera principal es la dificultad que enfrentan los usuarios para lograr un control intuitivo, a menudo debido a la complejidad de replicar el movimiento humano, el peso del dispositivo y la insuficiente destreza de agarre. Si bien la ingeniería moderna ha avanzado en la integración de sensores, el desafío central persiste en el desarrollo de sistemas de control robustos y adaptables que puedan discriminar con precisión entre patrones complejos de activación muscular sin un tiempo de calibración excesivo ni una carga computacional elevada. Este estudio aborda la necesidad de una pipeline basada en datos para caracterizar, seleccionar y clasificar señales de electromiografía de superficie (sEMG) durante movimientos funcionales de alcance y agarre, con el objetivo de reducir la ambigüedad interclase y mejorar la generalización de los algoritmos de reconocimiento de movimiento.

Metodología
La investigación utilizó el conjunto de datos NINAPRO DB4, que comprende grabaciones multicanal de sEMG de 12 electrodos en 10 sujetos sanos realizando 52 gestos distintos. El estudio empleó una pipeline de cuatro etapas:

1. Preprocesamiento y Transformación de Señales:

   • Las señales crudas fueron sometidas a un filtro paso bajo Butterworth de cuarto orden (corte a 0.6 Hz) para atenuar el ruido de alta frecuencia y los artefactos de movimiento.
   • Se aplicó una transformada de Hilbert para generar la envolvente analítica, proporcionando una representación continua de la amplitud de la contracción muscular.
   • Se aplicó una normalización por sujeto y por canal para mitigar la variabilidad inter-sujeto.

2. Extracción y Selección de Características:

   • Se extrajo un conjunto inicial de 26 características en los dominios temporal y frecuencial, incluyendo el Valor Absoluto Medio (MAV), la Raíz Cuadrática Media (RMS), el Valor Absoluto Integrado (IAV), la Longitud de la Forma de Onda (WL) y las métricas de la Transformada Discreta de Ondas Marginal (mDWT).
   • Una estrategia de selección híbrida refinó este conjunto utilizando análisis visual (diagramas de caja/violín), Información Mutua (MI) para la dependencia estadística, Análisis de Componentes Principales (PCA) para la estructura multivariada y puntuaciones de importancia de Árbol de Decisión.
   • El conjunto final de características consistió en cinco métricas clave (IAV, MAV, MAVS, RMS, mDWT) aplicadas en 10 canales relevantes.

3. Selección No Supervisada de Movimientos (Agrupamiento):

   • Para abordar la redundancia y la similitud entre los 52 gestos originales, se realizó un agrupamiento jerárquico con enlace completo utilizando la distancia de Mahalanobis. Esta métrica tiene en cuenta las estructuras de varianza-covarianza, ofreciendo un criterio robusto para agrupar gestos basados en la similitud del espacio de características.
   • Este proceso identificó seis grupos principales. De estos, se seleccionaron seis movimientos representativos (incluyendo un estado de reposo) basándose en la máxima homogeneidad intra-grupo, la mínima similitud inter-grupo y altos niveles de energía (RMS).

4. Segmentación Temporal:

   • Se evaluaron tres longitudes de ventana no superpuestas (100 ms, 200 ms, 300 ms). La ventana de 200 ms se identificó como óptima, equilibrando la resolución temporal con la estabilidad de las características y alineándose con la evidencia neurofisiológica sobre los tiempos de reacción del control motor.

5. Evaluación del Clasificador:

   • Se realizó una evaluación en dos etapas. Primero, la biblioteca PyCaret automatizó la comparación de 16 algoritmos de clasificación.
   • Segundo, los mejores rendimientos —Bosques Extra (ET) y Redes Neuronales Artificiales (ANN)— sometieron a entrenamiento independiente con ajuste manual de hiperparámetros y validación cruzada para evaluar la estabilidad y la generalización.

Resultados Clave

• Preprocesamiento: La combinación de filtrado paso bajo y transformación de envolvente de Hilbert suprimió eficazmente el ruido mientras preservaba los picos fisiológicos de la activación muscular, facilitando una segmentación temporal más clara.
• Agrupamiento: El agrupamiento jerárquico basado en Mahalanobis redujo con éxito el conjunto de datos de 52 gestos a seis clases estadísticamente distinguibles, optimizando la compensación entre la diversidad biomecánica y la complejidad computacional.
• Tamaño de la Ventana: La ventana de 200 ms demostró un rendimiento superior, ofreciendo un equilibrio entre la captura de eventos musculares transitorios y el mantenimiento de la estabilidad estadística entre sujetos.
• Rendimiento de la Clasificación:
  • Evaluación con PyCaret: Tanto los modelos ANN como ET lograron un alto rendimiento, con ANN alcanzando un 95.2% de precisión y ET un 94.4%.
  • Validación Independiente: Ambos modelos mantuvieron un rendimiento robusto en pruebas independientes (ANN: 94.7% de precisión; ET: 94.4% de precisión).
  • Comportamiento del Modelo: El modelo ET exhibió un bajo sobreajuste con curvas de entrenamiento y validación consistentes. El modelo ANN mostró mejoras progresivas en el aprendizaje con datos aumentados, indicando una capacidad efectiva para aprender representaciones complejas.
  • Comparación: Modelos alternativos como K-Vecinos Más Cercanos (KNN) y Máquinas de Vectores de Soporte (SVM) demostraron un rendimiento inferior, particularmente en el manejo de la alta dimensionalidad y la variabilidad inter-sujeto del conjunto de datos.

Significado y Contribuciones
El artículo afirma que su contribución principal radica en el desarrollo de una pipeline integral basada en datos que integra el agrupamiento no supervisado con la clasificación supervisada para mejorar las estrategias de control mioeléctrico. Específicamente:

• Selección Objetiva de Gestos: El uso de la distancia de Mahalanobis para el agrupamiento proporciona un método estadísticamente riguroso para reducir la ambigüedad interclase, seleccionando un subconjunto de gestos que son funcionalmente diversos pero computacionalmente eficientes.
• Preprocesamiento Robusto: La combinación específica de un filtro paso bajo de 0.6 Hz y la envolvente de Hilbert se valida como una estrategia efectiva para la atenuación de ruido y el suavizado de señales en contextos de instrumentación prototípica.
• Conjunto de Características Optimizado: El estudio demuestra que un conjunto reducido de cinco características (IAV, MAV, MAVS, RMS, mDWT) es suficiente para una clasificación de alta precisión, apoyando la implementación de sistemas de control de baja latencia.
• Viabilidad del Modelo: Los resultados confirman que tanto los modelos ET como ANN ofrecen la estabilidad y generalización requeridas para aplicaciones en tiempo real, con ET proporcionando resultados consistentes y ANN ofreciendo capacidades de aprendizaje progresivo.

Los autores concluyen que, aunque persisten desafíos como la variabilidad inter-sujeto, esta metodología proporciona una base escalable para futuras aplicaciones en tiempo real y sistemas de control adaptativo en prótesis mioeléctricas.