Neural network-based adaptive myoelectric signal classification via utilization of entropy history

Abstract

Transradiyal amputelerin kalan ön kol kaslarından yayılan yüzeyel elektromiyografi işaretleri(yEMG), kaybedilen elin fonksiyonlarının yerini almak üzere robotik protezlerin kontrolü için kullanılmaya uygundur. Protetik şifre çözücülerde sezgisel ve doğal bir kontrol sağlamak için yEMG örüntü tanıma(ÖT) algoritmalarından faydalanılır. Ancak, şifre çözücüye gelen yEMG işaret girdilerinin adele kasılmaları ve cilt-elektrot arayüzü dinamiğinden kaynaklanan devamlı değişimleri nedeniyle bu algoritmaların sınıflandırma doğruluk değerleri zamanla azalır. Bu tez çalışmasındaki amacımız gözetimsiz uyarlama gerçekleştirebilen ve protez el kontrol birimlerinin performansını arttırabilecek hesapsal olarak verimli bir sınıflandırma yöntemi geliştirmekti. Bu doğrultuda, uyarlanabilir ve sinir ağı temelli bir yEMG işaret sınıflandırıcısı geliştirdik. Her bir sınıflandırma kararı ile ilişkilendirilen entropi, sistemde tahminlerin güvenilirlik seviyelerini değerlendiren bir ölçüt olarak kullanıldı. Entropi geçmişini kaydetmek üzere sistemde bir arabellek tanımlandı ve tahminlerle ilişkilendirilmiş entropi değerleri yalnızca belirli bir zaman aralığında belirli bir güvenilirlik değerinin altında olduğunda gözetimsiz öğrenme gerçekleştirildi. Önerilen sınıflandırıcı benzetilmiş yEMG işaretleri kullanılarak geliştirildi ve sınıflandırma doğruluğu 2 sağlıklı denekten 5 çeşit el hareketinin uygulamaları sırasında kaydedilen yEMG işaret kayıtları kullanılarak doğrulandı. 25 saniyelik bir yEMG işaret kaydı kullanılarak gözetimli eğitim aşaması ardından, 725 saniyelik yEMG işaret kayıtları için sınıflandırıcının uyarlama uygulandığı ve uygulanmadığı durumlar için hesaplanan ortalama genel sınıflandırma doğruluk değerleri sırasıyla 94,5841% ve 94,1390% idi. Sağlıklı deneklerden alınan kayıtlar için elde edilen sınıflandırma doğruluğu sonuçları, bu gözetimsiz, sinir ağı temelli uyarlama yaklaşımının protez el kontrol birimlerinin gürbüzlüğünü arttırma açısından umut verici olduğunu ortaya çıkarmıştır. Sunulan sistem, uyarlama problemi için sinir ağı ve çevirim içi öğrenme stratejisi kullanarak hesapsal olarak verimli bir çözüm ileri sürmektedir. Sistem yalnızca belirli sayıdaki son sınıflandırma için entropi geçmişi tutmakta ve uyarlamayı yalnızca en son yEMG işaret girdi vektörünü kullanarak gerçekleştirmektedir.

The surface electromyography (sEMG) signals emanating from the remnant forearm muscles of transradial amputees are eligible for controlling robotic prostheses to replace the functions of the lost hand. sEMG pattern recognition (PR) algorithms are utilized in prosthetic decoders to provide intuitive and naturalistic way of control. However, classification accuracy of these algorithms decay over time since the sEMG signal input continuously changes in practice due to the dynamics of muscular contraction and the skin-electrode interface. Our goal in the present study was to develop a computationally efficient classification method that can realize adaptation in an unsupervised manner and improve the performance of the prosthetic hand controllers. To this end, we developed an adaptive, neural-network-based sEMG signal classifier. In the system, the entropy associated with each classification decision is used as a metric to evaluate the confidence level of the predictions. A buffer is implemented into the system to store the history of the entropy and unsupervised learning is realized only when the entropy values associated with the predictions are below a certain confidence level for a certain time period. The present classifier was developed using simulated sEMG signals and its classification accuracy was validated using sEMG signal recordings from two able-bodied subjects performing 5 types of hand gestures. Followed by a supervised training phase using a 25 seconds sEMG signal recording, the average classification accuracy of the classifier for 725 seconds sEMG recordings was 94,5841% and 94,1390% when adaptation is applied and not applied, respectively. The classification accuracy results for the recordings from able-bodied subjects revealed that the present unsupervised, neural network-based adaptation approach is promising for improving the robustness of the prosthetic hand controllers. The present system proposes a computationally efficient solution for the adaptation problem by utilization of a neural network and online learning strategy. The system stores only the entropy history for a number of latest classifications and performs the adaptation only using the latest sEMG signal input vector.