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

Título: Um Pipeline de Extração de Recursos para Aprimorar Redes Neurais Leves na Estimativa de Torque Articular Baseada em sEMG

1. Problema e Motivação

A reabilitação assistida por robôs, especialmente com exoesqueletos, exige uma previsão precisa dos torques articulares do usuário para fornecer assistência personalizada e segura. No entanto, existem desafios significativos:

• Complexidade dos Modelos: Métodos tradicionais baseados em modelos biomecânicos (como o modelo de Hill) exigem muitos parâmetros difíceis de medir e equipamentos especializados.
• Limitações de Dados: Abordagens de aprendizado de máquina (ML) modernas, como Redes Neurais Recorrentes (RNNs) ou Redes de Convolução Temporal (TCN), geralmente exigem grandes conjuntos de dados e arquiteturas computacionalmente caras, o que é impraticável em cenários de reabilitação onde os pacientes têm fadiga e os dados disponíveis são limitados.
• Necessidade de Eficiência: Há uma necessidade crítica de desenvolver pipelines que permitam o uso de redes neurais "leves" (simples) sem sacrificar a precisão na captura de dependências temporais dos sinais de eletromiografia de superfície (sEMG).

2. Metodologia

O estudo propõe e avalia um pipeline dedicado de extração de recursos para sinais sEMG de 8 canais, focado nos movimentos do cotovelo e ombro.

• Coleta de Dados:

  • Participante: Um único sujeito saudável (masculino, 24 anos).
  • Condições: Movimentos de "agarrar" e movimentos complexos (flexão/extensão de ombro e cotovelo) sob três cargas (0 kg, 1,10 kg e 1,85 kg).
  • Sensores: 8 canais de sEMG (músculos do braço direito) e 3 câmeras de captura de movimento (Qualisys) para obter a cinemática de referência.
  • Torques de Referência: Calculados a partir da cinemática e forças gravitacionais, assumindo equilíbrio estático (método de corpo rígido).

• Pipeline de Extração de Recursos (Proposto):

  1. Pré-processamento: Remoção de offset, filtragem band-pass (Butterworth 15-225 Hz) e filtragem de variância para suavização.
  2. Normalização: Estratégia de normalização específica para cada condição (peso/movimento) em vez de global, para lidar com diferentes amplitudes de sinal.
  3. Ativação Neural: Modelagem do atraso eletromecânico usando uma equação de diferença de segunda ordem para converter o sinal EMG retificado em ativação neural.
  4. Janelamento: Uso de janelas deslizantes de 100 ms com 50% de sobreposição.
  5. Extração de Recursos:
     • Domínio do Tempo: RMS, Comprimento de Onda (WL), Mudança de Sinal de Inclinação (SSC).
     • Domínio da Frequência: Potência de Banda (BP) via método multitaper.
     • Domínio Tempo-Frequência: Transformada Wavelet de Morlet (MWT) para capturar eventos transitórios.
  6. Pós-processamento: Redução de dimensionalidade via PCA, codificação one-hot para condições categóricas e empilhamento de histórico (history stacking) para fornecer contexto temporal ao modelo.

• Modelos de Aprendizado de Máquina Comparados:

  1. MLP (Perceptron Multicamada): Uma rede feedforward simples, sem mecanismos intrínsecos de modelagem temporal.
  2. TCN (Rede de Convolução Temporal): Uma arquitetura projetada especificamente para dependências temporais, usada como baseline avançada.
  • Ambos os modelos foram avaliados com e sem o pipeline de extração de recursos proposto.

3. Contribuições Principais

• Pipeline de Extração de Recursos Robusto: Desenvolvimento de um fluxo de processamento que transforma sinais sEMG brutos em um conjunto de características discriminativas ricas (temporais, frequenciais e tempo-frequenciais).
• Demonstração de Eficiência: Evidência de que um modelo simples (MLP), quando alimentado com recursos extraídos adequadamente, pode superar ou igualar o desempenho de modelos complexos e pesados (TCN) que processam apenas pontos de tempo pré-processados.
• Otimização para Dados Limitados: A abordagem é particularmente relevante para cenários clínicos onde a coleta de grandes volumes de dados de treinamento é difícil devido à fadiga do paciente.

4. Resultados

Os experimentos foram avaliados usando Raiz do Erro Quadrático Médio (RMSE), Coeficiente de Correlação de Pearson ($\rho$) e Coeficiente de Determinação ($R^2$) sobre 5 sementes aleatórias.

• Normalização: A normalização específica para cada condição (peso/movimento) superou consistentemente a normalização global, especialmente ao incluir a condição de 0 kg (baixa ativação muscular).
• Desempenho do MLP vs. TCN:
  • O MLP com o pipeline proposto alcançou um RMSE médio de 0,963 N·m (cotovelo), 1,403 N·m (ombro frontal) e 1,434 N·m (ombro lateral).
  • O TCN (usando apenas pontos de tempo) obteve resultados ligeiramente inferiores ou comparáveis (ex: RMSE de 0,964 N·m para o cotovelo), mas o MLP superou o TCN na captura de variações de amplitude, especialmente nas articulações do ombro.
  • O MLP com o pipeline proposto também superou o TCN quando este último foi alimentado com o mesmo pipeline de recursos, indicando que a qualidade dos recursos é mais crítica do que a complexidade da arquitetura da rede.
• Conclusão dos Resultados: O MLP, apesar de ser uma rede feedforward sem modelagem temporal explícita, conseguiu capturar as dependências temporais necessárias através dos recursos extraídos, atingindo desempenho comparável ou superior ao TCN.

5. Significado e Impacto

Este trabalho demonstra que a engenharia de recursos (feature engineering) cuidadosa pode compensar a falta de complexidade arquitetural em redes neurais. Para a robótica de reabilitação, isso significa que é possível implementar sistemas de controle de exoesqueletos mais leves e eficientes computacionalmente, que podem ser treinados com menos dados e adaptados mais rapidamente a pacientes individuais, sem depender de arquiteturas profundas e pesadas. O estudo sugere um caminho viável para a implementação em tempo real de sistemas de estimativa de torque em dispositivos de assistência pessoal.