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

Título: Uma Metodologia para Classificar a Importância de Frequências e Canais em Dados de Eletromiografia com Classificadores de Árvore de Decisão

1. Problema e Contexto

A eletromiografia (EMG) é amplamente utilizada na ciência biomédica e esportiva para analisar a atividade muscular, avaliar a função neuromuscular e monitorar a recuperação após o esforço. No entanto, os sinais de EMG são complexos e ruidosos, tornando a identificação de características (features) informativas um desafio crítico.

• Desafio Principal: Métodos de aprendizado de máquina baseados em ensemble (como Random Forests ou Gradient Boosting) oferecem alta precisão, mas carecem de interpretabilidade. Em contextos médicos e esportivos, a transparência sobre quais características do sinal (frequências e canais específicos) influenciam a decisão do modelo é essencial.
• Objetivo: Desenvolver uma metodologia para identificar um subconjunto limitado de frequências e canais de EMG altamente informativos para avaliar a recuperação muscular, utilizando classificadores de Árvore de Decisão única para garantir a interpretabilidade do modelo.

2. Metodologia

2.1 Coleta de Dados e Protocolo Experimental

• Participantes: A amostra final consistiu em 10 voluntários (7 homens, 3 mulheres), com idades entre 18 e 43 anos.
• Exercício: Os participantes realizaram agachamentos (squat) e levantamentos, mantendo cada posição por 3 segundos.
• Variável Alvo: O estudo investigou intervalos de descanso ótimos para a recuperação muscular, comparando três durações: 1, 5 e 10 minutos.
• Aquisição de Sinal: Foi utilizado um sistema personalizado baseado em microcontrolador STM32F401 com três canais de EMG posicionados no músculo vastus lateralis. A taxa de amostragem foi de 1 kHz.
• Pré-processamento: Os sinais passaram por correção de linha de base, filtragem bandpass (20-500 Hz) e filtro notch (50 Hz) para remover ruído da rede elétrica.

2.2 Engenharia de Características e Dados

• O conjunto de dados final contém 252 observações (tentativas individuais).
• As características extraídas foram a Densidade Espectral de Potência (PSD) em frequências de 1 a 450 Hz para cada um dos 3 canais.
• Isso resultou em um conjunto de dados com 252 linhas e 1.351 colunas (características). Houve um leve desequilíbrio de classes entre os intervalos de descanso.

2.3 Abordagem de Classificação e Seleção de Recursos

• Modelo: Utilizou-se um único Classificador de Árvore de Decisão (algoritmo CART via Scikit-learn) em vez de ensembles, priorizando a interpretabilidade.
• Validação: Foi aplicada a validação cruzada estratificada (Stratified K-Fold, K=3) para lidar com o desequilíbrio de classes, otimizando hiperparâmetros via Grid Search.
• Processo Iterativo de Remoção:
  1. Treinamento inicial com todas as 1.351 características.
  2. Identificação da característica mais importante (baseada na diminuição média da impureza).
  3. Exclusão dessa característica e re-treinamento do modelo.
  4. Repetição do processo até restar apenas uma característica.
  5. Foram gerados 1.349 árvores de decisão distintas ao longo das iterações.

2.4 Método Proposto: "Rank Frequency" (Classificação por Frequência)
Para avaliar a estabilidade e a importância dos canais e frequências, os autores propuseram uma função de pontuação (FeatureRank) que combina:

• Desempenho preditivo do modelo (escores de validação cruzada).
• Proporção de características informativas (não nulas) no modelo.
• A classificação (rank) da árvore de decisão específica em relação às outras.
• A classificação da característica específica dentro daquela árvore.

3. Resultados

• Desempenho do Modelo: O classificador de melhor desempenho alcançou uma pontuação média ponderada F1 de 0,4974, superando a linha de base de 0,33. Metade dos modelos treinados superou o escore de 0,42.
• Análise de Características:
  • Aumentar o número total de características não garantiu melhoria linear no desempenho.
  • Ao focar apenas em características com importância não nula, não houve correlação direta entre a quantidade de características e a qualidade da classificação.
  • Isso sugere que um subconjunto pequeno e altamente informativo é suficiente para uma classificação eficaz.
• Ranking de Frequências e Canais:
  • Aplicando o método Rank Frequency aos 1.349 modelos, os autores identificaram que apenas três características alcançaram um rank superior a 3.
  • Os 10 melhores recursos para classificação de períodos de recuperação envolveram tanto componentes de alta quanto de baixa frequência.
  • Destaque: O Canal 3 (Eletrodo 3) foi responsável por 6 das 10 características de maior classificação, indicando sua superioridade na captura de sinais relevantes para este protocolo específico.

4. Contribuições Chave

1. Metodologia de Interpretabilidade: Propõe o uso de árvores de decisão únicas (em vez de ensembles) para EMG, permitindo que pesquisadores e clínicos entendam exatamente quais frequências e canais impulsionam a decisão de recuperação muscular.
2. Método "Rank Frequency": Introduz uma nova métrica analítica que combina desempenho do modelo e estabilidade de características para classificar a importância de canais e frequências, superando a análise estática tradicional.
3. Redução de Complexidade: Demonstra que é possível obter classificações confiáveis de recuperação muscular utilizando um número limitado de características, o que facilita o desenvolvimento de modelos compactos e hardware especializado (como FPGAs).
4. Reprodutibilidade: Os autores disponibilizaram todos os dados brutos e códigos (exceto dados sensíveis pessoais), promovendo a transparência científica.

5. Significado e Impacto

• Aplicações Práticas: A metodologia pode guiar o desenvolvimento de dispositivos portáteis e de baixo custo para monitoramento esportivo e clínico, focando apenas nos sensores e faixas de frequência mais relevantes.
• Eficiência Computacional: Ao reduzir a redundância de dados, permite a criação de classificadores de EMG mais leves e rápidos, adequados para sistemas embarcados.
• Futuro da Pesquisa: O estudo abre caminho para investigações em larga escala utilizando conjuntos de dados abertos e a aplicação de métodos de ensemble que preservem a interpretabilidade, além de validar a metodologia em diferentes grupos musculares e condições patológicas.

Em resumo, o artigo valida que a transparência não precisa ser sacrificada em favor da precisão no processamento de sinais de EMG, oferecendo uma ferramenta robusta para identificar os sinais fisiológicos mais críticos para a avaliação da recuperação muscular.