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

Technische Samenvatting: Ongesuperviseerde Clustering en Classificatie van EMG-signalen van de Bovenste Extremiteit

Probleemstelling
Amputaties van de bovenste extremiteit hebben een aanzienlijke impact op functionele autonomie en levenskwaliteit, toch wordt de adoptie van myo-elektrische protheses gehinderd door hoge afvalpercentages (ongeveer 35%). Een primaire barrière is de moeilijkheid die gebruikers ervaren bij het bereiken van intuïtieve controle, vaak vanwege de complexiteit van het nabootsen van menselijke beweging, het gewicht van het apparaat en onvoldoende grijpdexteriteit. Hoewel moderne engineering vooruitgang heeft geboekt in sensorintegratie, blijft de kernuitdaging bestaan in het ontwikkelen van robuuste, adaptieve controlesystemen die complexe spieractivatiepatronen nauwkeurig kunnen onderscheiden zonder excessive kalibratietijd of rekenkracht. Deze studie adresseert de behoefte aan een datagedreven pijplijn om oppervlakte-elektromyografie (sEMG)-signalen tijdens functionele reik- en grijpbewegingen te karakteriseren, te selecteren en te classificeren, met als doel inter-class ambiguïteit te verminderen en de generalisatie van bewegingsherkenningsalgoritmen te verbeteren.

Methodologie
Het onderzoek gebruikte het NINAPRO DB4-dataset, bestaande uit multichannel sEMG-opnames van 12 elektroden bij 10 gezonde proefpersonen die 52 verschillende gebaren uitvoerden. De studie hanteerde een pijplijn in vier fasen:

1. Signaalvoorverwerking en Transformatie:

   • Ruwe signalen ondergingen een vierde-orde Butterworth laagdoorlaatfilter (0,6 Hz cutoff) om hoogfrequente ruis en bewegingsartefacten te attenueren.
   • Een Hilbert-transformatie werd toegepast om de analytische envelop te genereren, waardoor een continue representatie van de spiercontractie-amplitude werd verkregen.
   • Normalisatie per proefpersoon en per kanaal werd toegepast om inter-proefpersoon variabiliteit te mitigeren.

2. Functie-extractie en Selectie:

   • Een initiële set van 26 tijds- en frequentiedomein-functies werd geëxtraheerd, waaronder Mean Absolute Value (MAV), Root Mean Square (RMS), Integrated Absolute Value (IAV), Waveform Length (WL) en Marginal Discrete Wavelet (mDWT) metrieken.
   • Een hybride selectiestrategie verfijnde deze set met behulp van visuele analyse (boxplots/violin plots), Mutual Information (MI) voor statistische afhankelijkheid, Principal Component Analysis (PCA) voor multivariate structuur en Decision Tree-importhoudingsscores.
   • De definitieve functieset bestond uit vijf kernmetrieken (IAV, MAV, MAVS, RMS, mDWT) toegepast over 10 relevante kanalen.

3. Ongesuperviseerde Bewegingsselectie (Clustering):

   • Om redundantie en gelijkenis onder de oorspronkelijke 52 gebaren aan te pakken, werd hiërarchische clustering met complete koppeling uitgevoerd met behulp van de Mahalanobis-afstand. Deze metriek houdt rekening met variantie-covariantiestructuren en biedt een robuust criterium voor het groeperen van gebaren op basis van gelijkenis in de functieruimte.
   • Dit proces identificeerde zes grote clusters. Uit deze clusters werden zes representatieve bewegingen (inclusief een rusttoestand) geselecteerd op basis van maximale intra-cluster homogeniteit, minimale inter-cluster gelijkenis en hoge energieniveaus (RMS).

4. Temporele Segmentatie:

   • Drie niet-overlappende venstergroottes (100 ms, 200 ms, 300 ms) werden geëvalueerd. Het 200 ms-venster werd geïdentificeerd als optimaal, waarbij een balans werd gevonden tussen temporele resolutie en functie-stabiliteit, in lijn met neurofysiologische bewijzen betreffende reactietijden van motorische controle.

5. Classificator-evaluatie:

   • Een evaluatie in twee fasen werd uitgevoerd. Eerst automatiseerde de PyCaret-bibliotheek de vergelijking van 16 classificatie-algoritmen.
   • Ten tweede ondergingen de top-prestators – Extra Trees (ET) en Kunstmatige Neuronale Netwerken (ANN) – onafhankelijke training met handmatige hyperparameter-tuning en cross-validatie om stabiliteit en generalisatie te beoordelen.

Belangrijkste Resultaten

• Voorverwerking: De combinatie van laagdoorlaatfiltering en Hilbert-enveloptransformatie onderdrukte effectief ruis terwijl de fysiologische pieken van spieractivatie behouden bleven, waardoor duidelijkere temporele segmentatie mogelijk werd.
• Clustering: De op Mahalanobis gebaseerde hiërarchische clustering slaagde erin het dataset van 52 gebaren te reduceren tot zes statistisch onderscheidbare klassen, waarbij de afweging tussen biomechanische diversiteit en rekencomplexiteit werd geoptimaliseerd.
• Venstergrootte: Het 200 ms-venster vertoonde superieure prestaties, met een balans tussen het vastleggen van transient spiergebeurtenissen en het handhaven van statistische stabiliteit over proefpersonen heen.
• Classificatieprestaties:
  • PyCaret-evaluatie: Zowel ANN- als ET-modellen bereikten hoge prestaties, waarbij ANN een nauwkeurigheid van 95,2% bereikte en ET een nauwkeurigheid van 94,4%.
  • Onafhankelijke Validatie: Beide modellen behielden robuuste prestaties in onafhankelijke testen (ANN: 94,7% nauwkeurigheid; ET: 94,4% nauwkeurigheid).
  • Modelgedrag: Het ET-model vertoonde weinig overfitting met consistente trainings- en validatiecurves. Het ANN-model toonde progressieve verbeteringen in leren met meer data, wat wijst op een effectieve capaciteit voor het leren van complexe representaties.
  • Vergelijking: Alternatieve modellen zoals K-Nearest Neighbors (KNN) en Support Vector Machines (SVM) vertoonden lagere prestaties, met name bij het hanteren van de hoge dimensionaliteit en inter-proefpersoon variabiliteit van het dataset.

Betekenis en Bijdragen
Het artikel stelt dat de primaire bijdrage ligt in de ontwikkeling van een uitgebreide, datagedreven pijplijn die ongesuperviseerde clustering integreert met gesuperviseerde classificatie om myo-elektrische controlestrategieën te verbeteren. Specifiek:

• Objectieve Gebaarselectie: Het gebruik van Mahalanobis-afstand voor clustering biedt een statistisch rigoureuze methode om inter-class ambiguïteit te verminderen, waarbij een subset van gebaren wordt geselecteerd die functioneel divers is maar toch computatie-efficiënt.
• Robuuste Voorverwerking: De specifieke combinatie van een 0,6 Hz laagdoorlaatfilter en Hilbert-envelop wordt gevalideerd als een effectieve strategie voor ruisonderdrukking en signaalsmering in prototypische instrumentatiecontexten.
• Geoptimaliseerde Functieset: De studie toont aan dat een gereduceerde set van vijf functies (IAV, MAV, MAVS, RMS, mDWT) voldoende is voor classificatie met hoge nauwkeurigheid, wat de implementatie van low-latency controlesystemen ondersteunt.
• Modellevensvatbaarheid: De resultaten bevestigen dat zowel ET- als ANN-modellen de stabiliteit en generalisatie bieden die vereist zijn voor real-time toepassingen, waarbij ET consistente resultaten levert en ANN progressieve leercapaciteiten biedt.

De auteurs concluderen dat, hoewel uitdagingen zoals inter-proefpersoon variabiliteit aanhouden, deze methodologie een schaalbare basis biedt voor toekomstige real-time toepassingen en adaptieve controlesystemen in myo-elektrische prothesen.