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

Riepilogo Tecnico: Clustering e Classificazione Non Supervisionata dei Segnali EMG dell'Arto Superiore

Enunciato del Problema
Le amputazioni dell'arto superiore incidono significativamente sull'autonomia funzionale e sulla qualità della vita, tuttavia l'adozione di protesi mioelettriche rimane ostacolata da alti tassi di abbandono (circa il 35%). Una barriera primaria è la difficoltà che gli utenti incontrano nel raggiungere un controllo intuitivo, spesso dovuta alla complessità di replicare il movimento umano, al peso del dispositivo e a una insufficiente destrezza di presa. Sebbene l'ingegneria moderna abbia avanzato l'integrazione dei sensori, la sfida fondamentale persiste nello sviluppo di sistemi di controllo robusti e adattivi in grado di discriminare accuratamente tra complessi pattern di attivazione muscolare senza richiedere tempi di calibrazione eccessivi o carichi computazionali elevati. Questo studio affronta la necessità di una pipeline basata sui dati per caratterizzare, selezionare e classificare i segnali di elettromiografia di superficie (sEMG) durante movimenti funzionali di raggiungimento e presa, con l'obiettivo di ridurre l'ambiguità inter-classe e migliorare la generalizzazione degli algoritmi di riconoscimento del movimento.

Metodologia
La ricerca ha utilizzato il dataset NINAPRO DB4, comprendente registrazioni sEMG multicanale da 12 elettrodi su 10 soggetti sani che eseguivano 52 gesti distinti. Lo studio ha impiegato una pipeline in quattro fasi:

1. Preprocessing e Trasformazione del Segnale:

   • I segnali grezzi hanno subito un filtro passa-basso di Butterworth del quarto ordine (cutoff a 0,6 Hz) per attenuare il rumore ad alta frequenza e gli artefatti di movimento.
   • È stata applicata una trasformata di Hilbert per generare l'inviluppo analitico, fornendo una rappresentazione continua dell'ampiezza della contrazione muscolare.
   • Sono state applicate normalizzazioni per soggetto e per canale per mitigare la variabilità inter-soggetto.

2. Estrazione e Selezione delle Caratteristiche:

   • È stato estratto un set iniziale di 26 caratteristiche nei domini temporale e frequenziale, inclusi Valore Assoluto Medio (MAV), Radice Quadrata Media (RMS), Valore Assoluto Integrato (IAV), Lunghezza dell'Onda (WL) e metriche dell'Ondina Discreta Marginale (mDWT).
   • Una strategia di selezione ibrida ha affinato questo set utilizzando l'analisi visiva (boxplot/violin plot), l'Informazione Mutua (MI) per la dipendenza statistica, l'Analisi delle Componenti Principali (PCA) per la struttura multivariata e i punteggi di importanza degli Alberi Decisionali.
   • Il set finale di caratteristiche è consistito in cinque metriche chiave (IAV, MAV, MAVS, RMS, mDWT) applicate su 10 canali rilevanti.

3. Selezione Non Supervisionata del Movimento (Clustering):

   • Per affrontare la ridondanza e la somiglianza tra i 52 gesti originali, è stato eseguito un clustering gerarchico con collegamento completo utilizzando la distanza di Mahalanobis. Questa metrica tiene conto delle strutture di varianza-covarianza, offrendo un criterio robusto per raggruppare i gesti in base alla similarità nello spazio delle caratteristiche.
   • Questo processo ha identificato sei cluster principali. Da questi, sei movimenti rappresentativi (incluso uno stato di riposo) sono stati selezionati in base alla massima omogeneità intra-cluster, alla minima similarità inter-cluster e ad alti livelli di energia (RMS).

4. Segmentazione Temporale:

   • Sono state valutate tre lunghezze di finestra non sovrapposte (100 ms, 200 ms, 300 ms). La finestra da 200 ms è stata identificata come ottimale, bilanciando la risoluzione temporale con la stabilità delle caratteristiche e allineandosi alle evidenze neurofisiologiche riguardanti i tempi di reazione del controllo motorio.

5. Valutazione del Classificatore:

   • È stata condotta una valutazione in due fasi. In primo luogo, la libreria PyCaret ha automatizzato il confronto di 16 algoritmi di classificazione.
   • In secondo luogo, i migliori performer — Extra Trees (ET) e Reti Neurali Artificiali (ANN) — hanno subito un training indipendente con regolazione manuale degli iperparametri e validazione incrociata per valutare stabilità e generalizzazione.

Risultati Chiave

• Preprocessing: La combinazione di filtraggio passa-basso e trasformazione dell'inviluppo di Hilbert ha soppresso efficacemente il rumore preservando i picchi fisiologici dell'attivazione muscolare, facilitando una segmentazione temporale più chiara.
• Clustering: Il clustering gerarchico basato su Mahalanobis ha ridotto con successo il dataset di 52 gesti a sei classi statisticamente distinguibili, ottimizzando il compromesso tra diversità biomeccanica e complessità computazionale.
• Dimensione della Finestra: La finestra da 200 ms ha dimostrato prestazioni superiori, offrendo un equilibrio tra la cattura di eventi muscolari transitori e il mantenimento della stabilità statistica tra i soggetti.
• Prestazioni di Classificazione:
  • Valutazione PyCaret: Sia i modelli ANN che ET hanno raggiunto alte prestazioni, con ANN che ha raggiunto il 95,2% di accuratezza e ET il 94,4%.
  • Validazione Indipendente: Entrambi i modelli hanno mantenuto prestazioni robuste nel testing indipendente (ANN: 94,7% di accuratezza; ET: 94,4% di accuratezza).
  • Comportamento del Modello: Il modello ET ha mostrato un basso sovradattamento con curve di training e validazione coerenti. Il modello ANN ha mostrato miglioramenti progressivi nell'apprendimento con l'aumento dei dati, indicando una capacità efficace di apprendere rappresentazioni complesse.
  • Confronto: Modelli alternativi come i K-Nearest Neighbors (KNN) e le Macchine a Vettori di Supporto (SVM) hanno dimostrato prestazioni inferiori, in particolare nella gestione dell'alta dimensionalità e della variabilità inter-soggetto del dataset.

Significato e Contributi
L'articolo afferma che il suo contributo principale risiede nello sviluppo di una pipeline completa e basata sui dati che integra il clustering non supervisionato con la classificazione supervisionata per migliorare le strategie di controllo mioelettrico. Nello specifico:

• Selezione Oggettiva dei Gesti: L'uso della distanza di Mahalanobis per il clustering fornisce un metodo statisticamente rigoroso per ridurre l'ambiguità inter-classe, selezionando un sottoinsieme di gesti funzionalmente diversificati ma computazionalmente efficienti.
• Preprocessing Robusto: La combinazione specifica di un filtro passa-basso a 0,6 Hz e dell'inviluppo di Hilbert è validata come strategia efficace per l'attenuazione del rumore e la levigatura del segnale in contesti di strumentazione prototipale.
• Set di Caratteristiche Ottimizzato: Lo studio dimostra che un set ridotto di cinque caratteristiche (IAV, MAV, MAVS, RMS, mDWT) è sufficiente per una classificazione ad alta accuratezza, supportando l'implementazione di sistemi di controllo a bassa latenza.
• Fattibilità del Modello: I risultati confermano che sia i modelli ET che ANN offrono la stabilità e la generalizzazione richieste per applicazioni in tempo reale, con ET che fornisce risultati coerenti e ANN che offre capacità di apprendimento progressivo.

Gli autori concludono che, sebbene sfide come la variabilità inter-soggetto persistano, questa metodologia fornisce una base scalabile per future applicazioni in tempo reale e sistemi di controllo adattivi nelle protesi mioelettriche.