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

Resumo Técnico: Agrupamento e Classificação Não Supervisionados de Sinais EMG do Membro Superior

Enunciação do Problema
As amputações do membro superior impactam significativamente a autonomia funcional e a qualidade de vida, contudo, a adoção de próteses mioelétricas permanece prejudicada por altas taxas de abandono (aproximadamente 35%). Uma barreira primária é a dificuldade que os usuários enfrentam para alcançar um controle intuitivo, frequentemente devido à complexidade de replicar o movimento humano, ao peso do dispositivo e à destreza insuficiente de preensão. Embora a engenharia moderna tenha avançado na integração de sensores, o desafio central persiste no desenvolvimento de sistemas de controle robustos e adaptativos que possam discriminar com precisão padrões complexos de ativação muscular sem tempo excessivo de calibração ou carga computacional. Este estudo aborda a necessidade de um pipeline orientado por dados para caracterizar, selecionar e classificar sinais de eletromiografia de superfície (sEMG) durante movimentos funcionais de alcance e preensão, visando reduzir a ambiguidade interclasse e melhorar a generalização dos algoritmos de reconhecimento de movimento.

Metodologia
A pesquisa utilizou o conjunto de dados NINAPRO DB4, compreendendo gravações multicanal de sEMG de 12 eletrodos em 10 sujeitos saudáveis realizando 52 gestos distintos. O estudo empregou um pipeline de quatro etapas:

1. Pré-processamento e Transformação de Sinal:

   • Os sinais brutos passaram por um filtro passa-baixa Butterworth de quarta ordem (corte em 0,6 Hz) para atenuar ruídos de alta frequência e artefatos de movimento.
   • Uma transformada de Hilbert foi aplicada para gerar o envelope analítico, fornecendo uma representação contínua da amplitude da contração muscular.
   • Normalizações por sujeito e por canal foram aplicadas para mitigar a variabilidade inter-sujeito.

2. Extração e Seleção de Características:

   • Um conjunto inicial de 26 características nos domínios temporal e de frequência foi extraído, incluindo Valor Absoluto Médio (MAV), Raiz Quadrada Média (RMS), Valor Absoluto Integrado (IAV), Comprimento de Onda (WL) e métricas de Onda Discreta Marginal (mDWT).
   • Uma estratégia híbrida de seleção refinou este conjunto usando análise visual (boxplots/gráficos de violino), Informação Mútua (MI) para dependência estatística, Análise de Componentes Principais (PCA) para estrutura multivariada e escores de importância de Árvore de Decisão.
   • O conjunto final de características consistiu em cinco métricas-chave (IAV, MAV, MAVS, RMS, mDWT) aplicadas em 10 canais relevantes.

3. Seleção de Movimento Não Supervisionada (Agrupamento):

   • Para abordar a redundância e a similaridade entre os 52 gestos originais, foi realizado agrupamento hierárquico com ligação completa usando a distância de Mahalanobis. Esta métrica leva em conta estruturas de variância-covariância, oferecendo um critério robusto para agrupar gestos com base na similaridade no espaço de características.
   • Este processo identificou seis grandes clusters. Desses, seis movimentos representativos (incluindo um estado de repouso) foram selecionados com base na máxima homogeneidade intra-cluster, mínima similaridade inter-cluster e altos níveis de energia (RMS).

4. Segmentação Temporal:

   • Três comprimentos de janela não sobrepostos (100 ms, 200 ms, 300 ms) foram avaliados. A janela de 200 ms foi identificada como ótima, equilibrando resolução temporal com estabilidade de características e alinhando-se com evidências neurofisiológicas sobre tempos de reação do controle motor.

5. Avaliação do Classificador:

   • Uma avaliação em duas etapas foi conduzida. Primeiro, a biblioteca PyCaret automatizou a comparação de 16 algoritmos de classificação.
   • Segundo, os melhores desempenhos — Árvores Extras (ET) e Redes Neurais Artificiais (ANN) — passaram por treinamento independente com ajuste manual de hiperparâmetros e validação cruzada para avaliar estabilidade e generalização.

Principais Resultados

• Pré-processamento: A combinação de filtragem passa-baixa e transformação de envelope de Hilbert suprimiu efetivamente o ruído enquanto preservava os picos fisiológicos da ativação muscular, facilitando uma segmentação temporal mais clara.
• Agrupamento: O agrupamento hierárquico baseado em Mahalanobis reduziu com sucesso o conjunto de dados de 52 gestos para seis classes estatisticamente distinguíveis, otimizando o compromisso entre diversidade biomecânica e complexidade computacional.
• Tamanho da Janela: A janela de 200 ms demonstrou desempenho superior, oferecendo um equilíbrio entre capturar eventos musculares transitórios e manter estabilidade estatística entre os sujeitos.
• Desempenho de Classificação:
  • Avaliação PyCaret: Ambos os modelos ANN e ET alcançaram alto desempenho, com a ANN atingindo 95,2% de precisão e a ET atingindo 94,4%.
  • Validação Independente: Ambos os modelos mantiveram desempenho robusto em testes independentes (ANN: 94,7% de precisão; ET: 94,4% de precisão).
  • Comportamento do Modelo: O modelo ET exibiu baixo sobreajuste com curvas de treinamento e validação consistentes. O modelo ANN mostrou melhorias progressivas de aprendizado com o aumento de dados, indicando capacidade efetiva de aprender representações complexas.
  • Comparação: Modelos alternativos, como Vizinhos Mais Próximos (KNN) e Máquinas de Vetor de Suporte (SVM), demonstraram desempenho inferior, particularmente no manuseio da alta dimensionalidade e da variabilidade inter-sujeito do conjunto de dados.

Significância e Contribuições
O artigo afirma que sua contribuição primária reside no desenvolvimento de um pipeline abrangente e orientado por dados que integra agrupamento não supervisionado com classificação supervisionada para aprimorar estratégias de controle mioelétrico. Especificamente:

• Seleção Objetiva de Gestos: O uso da distância de Mahalanobis para agrupamento fornece um método estatisticamente rigoroso para reduzir a ambiguidade interclasse, selecionando um subconjunto de gestos que são funcionalmente diversos, mas computacionalmente eficientes.
• Pré-processamento Robusto: A combinação específica de um filtro passa-baixa de 0,6 Hz e envelope de Hilbert é validada como uma estratégia eficaz para atenuação de ruído e suavização de sinal em contextos de instrumentação prototípica.
• Conjunto de Características Otimizado: O estudo demonstra que um conjunto reduzido de cinco características (IAV, MAV, MAVS, RMS, mDWT) é suficiente para classificação de alta precisão, apoiando a implementação de sistemas de controle de baixa latência.
• Viabilidade do Modelo: Os resultados confirmam que tanto os modelos ET quanto ANN oferecem a estabilidade e a generalização necessárias para aplicações em tempo real, com a ET fornecendo resultados consistentes e a ANN oferecendo capacidades de aprendizado progressivo.

Os autores concluem que, embora desafios como a variabilidade inter-sujeito persistam, esta metodologia fornece uma base escalável para futuras aplicações em tempo real e sistemas de controle adaptativo em próteses mioelétricas.