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

Titolo: Un Pipeline di Estrazione delle Caratteristiche per Migliorare le Reti Neurali Leggere nell'Stimazione della Coppia Articolare basata su sEMG

1. Il Problema

La riabilitazione robotica assistita richiede una collaborazione adattiva tra uomo e robot, dove l'esoscheletro deve fornire un'assistenza personalizzata basata sulle intenzioni e sulle necessità dell'utente. Per raggiungere questo obiettivo, è fondamentale una previsione accurata delle coppie articolari (joint torques) dell'utente.
Le sfide principali identificate nel lavoro sono:

• Complessità dei modelli fisici: I modelli muscolo-scheletrici (es. modello di Hill) richiedono numerosi parametri difficili da misurare e attrezzature specializzate.
• Limitazioni dei dati: Gli approcci basati sull'apprendimento automatico (Machine Learning - ML) spesso richiedono grandi dataset e architetture computazionalmente costose (come le Reti Neurali Ricorrenti o i TCN puri), il che è impraticabile in contesti clinici dove i dati sono limitati a causa della fatica del paziente e della difficoltà di raccolta.
• Dinamiche non lineari: I metodi tradizionali faticano a catturare le dinamiche non lineari dei muscoli e le dipendenze temporali nei segnali elettromiografici (sEMG).

2. Metodologia

Gli autori propongono un pipeline di estrazione delle caratteristiche (feature extraction) dedicato ai segnali sEMG a 8 canali, progettato per migliorare le prestazioni anche di reti neurali semplici (come l'MLP), riducendo la dipendenza da modelli temporali complessi.

• Raccolta Dati Sperimentali:

  • Partecipante: Un soggetto sano (maschio, 24 anni).
  • Setup: Movimento di spalla e gomito con tre carichi diversi (0 kg, 1.10 kg, 1.85 kg) e due tipi di movimento (presa semplice e movimento complesso).
  • Sensori: 8 canali sEMG (muscoli del braccio destro: deltoide, bicipite, tricipite, brachiale, pettorale) e 3 telecamere motion-capture (Qualisys) per tracciare la cinematica.
  • Riferimento: Le coppie articolari di riferimento sono state calcolate tramite cinematica del centro di massa e assunzione di equilibrio statico (metodo di equilibrio statico), ignorando le dinamiche inerziali.

• Pipeline di Estrazione delle Caratteristiche:

  1. Preprocessing: Rimozione dell'offset di base, filtraggio passa-banda (Butterworth 15-225 Hz) e rimozione del rumore tramite un filtro della varianza.
  2. Normalizzazione: Confronto tra normalizzazione globale e normalizzazione specifica per condizione (peso/movimento), quest'ultima risultata superiore.
  3. Attivazione Neurale: Modellazione del ritardo elettromeccanico (EMD) tramite un'equazione di differenza del secondo ordine per stimolare l'attivazione neurale $p(t)$.
  4. Estrazione delle Feature:
     • Dominio del tempo: RMS, lunghezza d'onda (WL), cambio di segno della pendenza (SSC).
     • Dominio della frequenza: Potenza della banda (BP) tramite metodo multitaper.
     • Dominio tempo-frequenza: Trasformata Wavelet di Morlet (MWT) per catturare eventi transitori.
  5. Post-processing: Stacking storico (history stacking) per fornire contesto temporale, riduzione della dimensionalità (PCA) e codifica one-hot per le variabili categoriali.

• Modelli di Apprendimento Automatico:

  • MLP (Multilayer Perceptron): Una rete feedforward semplice, utilizzata per testare se le feature estratte siano sufficienti a catturare le dipendenze temporali senza architetture complesse.
  • TCN (Temporal Convolutional Network): Una rete convoluzionale temporale progettata specificamente per la modellazione sequenziale, utilizzata come benchmark di confronto.
  • Valutazione: Confronto delle prestazioni su tre condizioni di input diverse (feature estratte vs. soli punti temporali pre-elaborati).

3. Contributi Chiave

• Pipeline di Feature Extraction Robusta: Sviluppo di un flusso di lavoro completo che combina filtraggio, modellazione dell'attivazione neurale ed estrazione di feature multi-dominio (tempo, frequenza, tempo-frequenza).
• Efficienza con Modelli Leggeri: Dimostrazione che un semplice MLP, alimentato con le feature estratte, può eguagliare o superare le prestazioni di un TCN (progettato per le serie temporali) quando si utilizzano dati limitati.
• Normalizzazione Specifica per Condizione: Identificazione che la normalizzazione dei segnali sEMG basata sulle specifiche condizioni di carico e movimento è cruciale per mantenere l'accuratezza, specialmente quando si includono carichi nulli (0 kg) che hanno ampiezze di segnale molto diverse.
• Validazione su Dati Reali: Applicazione del metodo in un contesto di riabilitazione simulata con dati multimodali (sEMG + Motion Capture).

4. Risultati

L'analisi offline è stata condotta su 5 semi casuali (seeds) per garantire la robustezza. I risultati principali sono:

• Prestazioni dell'MLP: Con il pipeline proposto e la normalizzazione specifica per condizione, l'MLP ha raggiunto un RMSE medio di:
  • 0.963 N·m per il gomito.
  • 1.403 N·m per la spalla frontale.
  • 1.434 N·m per la spalla laterale.
• Confronto con TCN: L'MLP ha ottenuto prestazioni comparabili o superiori al TCN. In particolare, l'MLP ha mostrato una migliore capacità di catturare le variazioni di ampiezza e le dinamiche temporali (coefficiente di correlazione di Pearson più alto) rispetto al TCN che utilizzava solo punti temporali grezzi.
• Impatto del Pipeline sul TCN: L'applicazione del pipeline di estrazione delle feature ha migliorato anche le prestazioni del TCN, aumentando il $R^2$ per le articolazioni della spalla (da 0.794 a 0.820 per la spalla frontale e da 0.863 a 0.895 per quella laterale).
• Normalizzazione: L'uso della normalizzazione globale ha causato un crollo delle prestazioni ($R^2$ sceso a ~0.23) quando si includeva il carico 0 kg, confermando la necessità di normalizzazione condizionata.

5. Significato e Implicazioni

Questo lavoro è significativo per il campo della robotica di riabilitazione e dell'interazione uomo-robot per diversi motivi:

• Adattabilità ai Dati Limitati: La capacità di un modello semplice (MLP) di performare bene con un pipeline di feature engineering ben progettato è ideale per scenari clinici dove la raccolta di grandi dataset è difficile o impossibile a causa della fatica del paziente.
• Efficienza Computazionale: Sostituire architetture complesse (come TCN o RNN) con MLP leggeri riduce il carico computazionale, facilitando l'implementazione in tempo reale su dispositivi embedded o sistemi portatili.
• Generalizzabilità: Il metodo proposto offre una via praticabile per stimare le coppie articolari senza la necessità di modelli muscolo-scheletrici complessi e parametrici, rendendo la tecnologia più accessibile per applicazioni di assistenza personale.

In sintesi, il paper dimostra che un'attenta ingegneria delle feature può colmare il divario tra modelli semplici e complessi, rendendo la stima delle coppie articolari basata su sEMG più robusta e adatta alla pratica clinica.