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

Probleemstelling

Binnen robot-ondersteunde revalidatie is het essentieel dat exoskeletten de bewegingen en krachten van de gebruiker nauwkeurig voorspellen om gepersonaliseerde assistentie te bieden. De huidige uitdagingen zijn:

• Complexiteit van modellen: Traditionele musculoskeletale modellen (zoals Hill-type modellen) vereisen veel parameters en gespecialiseerde meetapparatuur, wat ze onpraktisch maakt voor dagelijkse revalidatie.
• Data-beperkingen: Machine Learning (ML) benaderingen, zoals Recurrente Convolutionele Netwerken (RCNN) of Temporal Convolutional Networks (TCN), presteren vaak goed maar vereisen grote datasets en rekenkracht. Dit is problematisch in revalidatiescenario's waar patiënten snel vermoeid raken en slechts beperkte trainingsdata beschikbaar is.
• Niet-lineariteit: Bestaande methoden worstelen vaak met het vastleggen van de niet-lineaire spierdynamica en tijdsafhankelijkheden in oppervlakte-EMG (sEMG) signalen.

Het doel van dit onderzoek is om een efficiënte feature-extractiepiplijn te ontwikkelen die het mogelijk maakt om eenvoudige, lichtgewicht neurale netwerken (zoals een MLP) te gebruiken voor nauwkeurige gewrichtstorque-schatting, zelfs met beperkte data.

Methodologie

1. Experimenteel Ontwerp

• Deelnemer: Eén gezonde mannelijke proefpersoon (24 jaar).
• Opstelling: Deelnemer voerde bewegingen uit met de rechterarm onder drie belastingcondities (0 kg, 1,10 kg, 1,85 kg).
• Bewegingen: Twee types: "Grasping" (reiken in het sagittale vlak) en "Complex movement" (combinatie van flexie/extensie en abductie/adductie van schouder en elleboog).
• Dataverzameling:
  • sEMG: 8 kanalen gemeten op de spieren van de rechterarm (o.a. deltoideus, biceps, triceps) met een samplefrequentie van 500 Hz.
  • Beweging: 3D-beweging vastgelegd via 3 Qualisys-camera's (500 Hz) met passieve markers.
• Referentie Torques: De "ground truth" voor de gewrichtsmomenten werd berekend via kinematica en de statische evenwichtsvergelijkingen (static equilibrium), gebaseerd op de zwaartepuntskinematica en de massa van de objecten.

2. Feature Extractie Pijplijn
De kern van de bijdrage is een uitgebreide pijplijn voor het verwerken van ruwe sEMG-data:

• Preprocessing: Verwijdering van offset, band-pass filtering (15-225 Hz, Butterworth), en een variantie-filter om amplitudefluctuaties te vangen.
• Neurale Activering: Modellering van de electromechanische vertraging (EMD) via een tweede-orde differentievergelijking om de neurale activatie $p(t)$ te schatten.
• Feature Extractie:
  • Tijdsdomein: RMS, Waveform Length (WL), Slope Sign Change (SSC).
  • Frequentedomein: Band Power (BP) via Multitaper methode.
  • Tijd-frequentedomein: Morlet Wavelet Transformatie (MWT) om niet-stationaire signalen te vangen.
• Postprocessing: Normalisatie (specifiek per conditie bleek beter dan globaal), PCA voor dimensiereductie, One-hot encoding voor categorische data, en history stacking om tijdsafhankelijkheden te modelleren.
• Output: De torque-waarden werden ook gefilterd en geschaald naar $[-1, 1]$.

3. Modellen
Twee modellen werden vergeleken:

• Multilayer Perceptron (MLP): Een feedforward netwerk (lichtgewicht) dat de geëxtraheerde features verwerkt.
• Temporal Convolutional Network (TCN): Een model specifiek ontworpen voor tijdsreeksen, gebruikt als benchmark. Dit werd getest met zowel ruwe tijdspunten als de volledige feature-pijplijn.

Belangrijkste Resultaten

De prestaties werden gemeten aan de hand van RMSE (Root Mean Square Error) en $R^2$ (coëfficiënt van determinatie) over 5 verschillende random seeds.

1. Normalisatie Strategie: Conditiespecifieke normalisatie (per gewicht/beweging) presteerde significant beter dan globale normalisatie, vooral bij het toevoegen van de 0 kg-conditie.
2. MLP vs. TCN (Ruwe Data): Een TCN die alleen gepreprocesseerde tijdspunten als input kreeg, presteerde vergelijkbaar met een MLP die globale features gebruikte.
3. MLP vs. TCN (Volledige Pijplijn):
   • De MLP, gevoed met de voorgestelde feature-extractiepiplijn, presteerde beter dan de TCN (die alleen ruwe tijdspunten gebruikte).
   • Elbow Torque: MLP RMSE = 0,963 Nm vs. TCN RMSE = 0,964 Nm.
   • Front-Shoulder: MLP RMSE = 1,403 Nm vs. TCN RMSE = 1,563 Nm.
   • Side-Shoulder: MLP RMSE = 1,434 Nm vs. TCN RMSE = 1,494 Nm.
   • De MLP behaalde ook hogere $R^2$-waarden en Pearson-correlaties, wat aangeeft dat de feature-extractie voldoende tijdsinformatie bevatte om zelfs een statisch model (MLP) te laten presteren als een complex tijdsmodel.
4. Impact op TCN: Het toepassen van dezelfde feature-pijplijn op de TCN verbeterde de prestaties van de TCN verder (vooral bij de schouder), maar de eenvoudige MLP bleef zeer competitief.

Bijdragen en Significantie

• Efficiëntie: Het paper demonstreert dat een complexe, tijdsafhankelijke architectuur (zoals TCN of LSTM) niet per se nodig is als de input-data goed wordt verwerkt. Een eenvoudige MLP kan dezelfde prestaties leveren, wat rekenkracht bespaart.
• Kleine Datasets: De methode is bijzonder relevant voor revalidatie, waar grote datasets zeldzaam zijn. De feature-extractie compenseert het gebrek aan data door de signaal-informatie te maximaliseren.
• Praktische Toepasbaarheid: De pipeline maakt het mogelijk om lichte modellen te gebruiken die sneller te trainen en makkelijker te implementeren zijn in draagbare revalidatierobotica.
• Validatie: De studie bevestigt dat handmatige feature-engineering (tijds-, frequentie- en tijd-frequentie-domein) in combinatie met moderne normalisatietechnieken zeer effectief kan zijn voor sEMG-gebaseerde torque-schatting.

Conclusie:
De auteurs concluderen dat hun voorgestelde feature-extractiepiplijn de kloof overbrugt tussen eenvoudige regressiemodellen en complexe sequentiemodellen. Dit biedt een robuuste oplossing voor robot-ondersteunde revalidatie, waarbij nauwkeurige torque-schatting mogelijk is met beperkte trainingsdata en lichtgewicht hardware. Toekomstig werk richt zich op online implementatie en uitgebreide studies met meerdere gebruikers.