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

Titel: Een methodologie voor het rangschikken van frequentie- en kanaalimportantie in EMG-data met Decision Tree-classificators

Auteurs: Albert A. Nasybullin et al. (Innopolis University, Rusland)

1. Probleemstelling

Elektromyografie (EMG) wordt veel gebruikt in de biomedische en sportwetenschappen om spieractiviteit te analyseren en herstel na inspanning te monitoren. EMG-signalen zijn echter complex, ruisgevoelig en bevatten een groot aantal variabelen (frequenties en kanalen).

• De uitdaging: Bestaande machine learning-methoden, zoals ensemble-methoden (bijv. Random Forests), zijn vaak robuust en nauwkeurig, maar missen interpreteerbaarheid. In medische en sporttoepassingen is transparantie cruciaal om te begrijpen welke signaalkenmerken (specifieke frequenties en kanalen) daadwerkelijk bijdragen aan de classificatie van spierherstel.
• Het doel: Het identificeren van de meest informatieve frequenties en kanalen in EMG-data om compacte, interpreteerbare modellen te ontwikkelen voor het beoordelen van spierherstelperioden.

2. Methodologie

A. Datacollectie en Experimenteel Ontwerp

• Deelnemers: Een finale steekproef van 10 deelnemers (7 mannen, 3 vrouwen) na uitsluiting van data met hardwarefouten of medische aandoeningen.
• Proefopzet: Deelnemers voerden herhaalde squats uit (3 seconden zakken, 3 seconden staan).
• Variabele Rustintervallen: De experimenten waren opgedeeld in blokken met rustintervallen van 1, 5 of 10 minuten tussen de reeksen.
• Dataacquisitie: Een aangepast 3-kanaals EMG-systeem (STM32F401 microcontroller) registreerde signalen van de vastus lateralis spier.
  • Preprocessing: Baseline-correctie, bandpass-filtering (20-500 Hz) en een notch-filter (50 Hz) om netstroomruis te verwijderen.
  • Dataset: 252 observaties met 1.351 kenmerken (Power Spectral Density - PSD-waarden voor frequenties 1-450 Hz over 3 kanalen). De dataset vertoonde een lichte onbalans tussen de rustintervallen.

B. Machine Learning Aanpak

In plaats van complexe ensemble-methoden, koos de auteurs voor enkele Decision Tree-classificators (CART-algoritme via Scikit-learn) om de interpreteerbaarheid te maximaliseren.

• Validatie: Stratified K-Fold Cross-Validation (K=3) om de onbalans in de klassen aan te pakken.
• Hyperparameter-tuning: Een uitgebreide Grid Search werd uitgevoerd voor elke tree met parameters zoals criterion, max_depth, min_samples_split, etc.
• Iteratief proces: Er werden 1.349 individuele bomen getraind. In elke iteratie werd het meest belangrijke kenmerk (gebaseerd op impurity decrease) verwijderd uit de trainingset om de impact van kenmerken stap voor stap te analyseren.

C. De "Rank Frequency" Methode

Om de stabiliteit en belangrijkheid van specifieke kanalen en frequenties te bepalen, introduceerden de auteurs een nieuwe rangschikkingsformule (FeatureRank). Deze formule combineert vier factoren:

1. De voorspellende prestatie van het model (cross-validatie scores).
2. Het aandeel informatieve (niet-nul) kenmerken in de tree.
3. De rang van de specifieke decision tree binnen alle getrainde modellen.
4. De rang van het specifieke kenmerk binnen die tree.

De formule is als volgt opgebouwd:
$$FeatureRank = \frac{I(f_i)}{4} \cdot \sum_{i=1}^{N} \left( \frac{\text{mean}(f1(cv)_i)}{\max_x f1(cv)_i x} + \frac{|f(x \neq 0)_i|}{|f_i|} + \frac{1}{dt\_rank_i} + \frac{1}{f\_rank_i} \right)$$

3. Belangrijkste Resultaten

• Classificatieprestaties: De beste classifier bereikte een gewogen F1-score van 0,4974 (tegenover een baseline van 0,33). De helft van de modellen scoorde hoger dan 0,42.
• Relatie Kenmerken vs. Prestatie:
  • Er is een positieve correlatie tussen het totale aantal gebruikte kenmerken en de classificatiekwaliteit.
  • Echter, wanneer alleen gekeken wordt naar informatieve kenmerken (die een niet-nul belangrijkheidswaarde hebben), is er geen directe correlatie tussen het aantal kenmerken en de prestatie. Dit suggereert dat meer kenmerken niet automatisch beter zijn; kwaliteit (informatieve waarde) is belangrijker dan kwantiteit.
• Top Kenmerken:
  • Van de 1.350 geanalyseerde kenmerken (kanaal-frequentie combinaties) kregen er slechts drie een rangschikking hoger dan 3.
  • De top 10 meest informatieve kenmerken voor het classificeren van herstelperioden omvatten zowel hoge als lage frequentiecomponenten.
  • Kanaal 3 (een van de drie elektroden op de dij) was verantwoordelijk voor 6 van de top 10 meest belangrijke kenmerken, wat aangeeft dat de positie van de elektrode cruciaal is.

4. Bijdragen en Significantie

1. Interpreteerbaarheid: Het paper demonstreert dat eenvoudige Decision Trees, in plaats van complexe "black-box" ensemble-modellen, voldoende nauwkeurigheid kunnen bieden voor EMG-classificatie terwijl ze volledig transparant zijn over welke signalen belangrijk zijn.
2. Nieuwe Rangschikkingsmethode: De voorgestelde "Rank Frequency" methode biedt een robuust analytisch instrument om de stabiliteit van kenmerken over verschillende modellen heen te beoordelen, in plaats van te vertrouwen op de output van één enkel model.
3. Efficiëntie: De bevindingen tonen aan dat een beperkte subset van hoog-informatieve kenmerken voldoende is voor effectieve classificatie. Dit opent de weg voor:
   • Het ontwikkelen van compacte, lichtgewicht modellen.
   • Het ontwerpen van gespecialiseerde hardware (zoals FPGA's) voor real-time EMG-diagnostiek.
   • Het verminderen van data-redundantie in medische en sportstudies.

Conclusie

De studie bevestigt dat het gebruik van Decision Trees in combinatie met een geavanceerde rangschikkingsmethode een effectieve route is om de belangrijkste frequenties en kanalen in EMG-data te identificeren. Dit stelt onderzoekers en clinici in staat om gerichter te werken aan spierherstelmonitoring met modellen die niet alleen nauwkeurig zijn, maar ook inzichtelijk in hun werking. De auteurs delen hun data en code (exclusief persoonsgegevens) om reproduceerbaarheid te waarborgen.