Optimización y clasificación de señales EMG a través de métodos de reconocimiento de patrones

Abstract

Resumen-Este artículo presenta un estudio basado en la optimización de la respuesta de un electromiógrafo a través de algunas técnicas utilizadas para el trata-miento, análisis y procesamiento de señales electro-miográficas superficiales, con el fin de proporcionar una herramienta útil como estrategia para el diagnóstico y pronóstico de cuadro clínico de enfermedades muscula-res (Por ejemplo, para pacientes con pie caído). Los datos fueron obtenidos a partir de la información de pacientes que fueron diagnosticados previamente por fisiatras, de los cuales 7 eran sanos y 5 pacientes mos-traron neuropatía de pie caído. Un conjunto de señales electromiográficas fueron ad-quiridas y almacenadas durante el movimiento de dorsi-flexión en una posición supina a partir del músculo tibial anterior en cada paciente. Luego estas señales fueron procesadas mediante técnicas de extracción caracterís-tica y métodos de reconocimiento de patrones para la clasificación de las mismas. Para el pre-procesamiento de las señales electromio-gráficas se emplearon métodos en tiempo y frecuencia, como la transformada de Fourier y, a su vez, técnicas como el Análisis de Componentes Principales (PCA) y redes neuronales artificiales (es decir, MLP y PNN), que permiten representar en forma gráfica los resultados obtenidos en un plano bidimensional y mejorar de esta forma el porcentaje de clasificación. Los resultados obtenidos describen un sistema electro-miógrafo, el cual fue optimizado mediante la implemen-tación de métodos de reconocimiento de patrones, se alcanzó un porcentaje de acierto de hasta el 100 % en la clasificación de señales EMG por medio de electrodos superficiales. Palabras clave-EMG, FFT, MLP, PCA, pie caído, PNN. Abstract-This paper presents a study based on the response optimization of an electromyograph through processing techniques for the analysis of surface elec-tromyographic signals, in order to provide a useful tool as a strategy for the diagnosis and prognosis of clinical symptoms of muscle diseases (e.g. for patients with foot drop). The patients were previously diagnosed by phy-siatrists, seven of them were healthy and five showed foot drop neuropathy. A set of electromyographic signals were acquired and stored during the movement of dorsi-flexion in the supine position from the tibialis anterior muscle in each of patients. Then, these signals were processed with feature extraction techniques and pattern recognition methods for their classification. Regarding the data preprocessing of electromyographic signals, methods of time and frequency such as Fourier Transform and Principal Component Analysis (PCA) and Artificial Neural Networks (i.e. MLP and PNN) were used to represent graphically in a two-dimensional plane the results obtained and thus to improve the classification percentage. The results describe an electromyography, which was optimized with pattern recognition methods, achieving a success rate of 100% in the classification of EMG signals, via surface electrodes.