Fractal modeling of surface electromyography (EMG) signals for EMG pattern recognition by artificial neural networks

Abstract

YÜZEYDEN KAYDEDİLEN ELEKTROMİYOGRAFİK (EMG) SİNYALLERİN YAPAY SİNİR AĞLARI İLE ÖRÜNTÜ TANIMA AMAÇLI FRAKTAL MODELLENMESİ ÖZET Değişik kas-iskelet sistemi hareketlerinde kaydedilen elektromiyografik (EMG) sinyallerin örüntülerinin, tıpta protez denetimi, endüstride robot kolu denetimi gibi uygulamalar için kullanılmasına yönelik çalışmalar yapılmaktadır. EMG sinyallerinin bu tür amaçlar doğrultusunda kullanılabilmesi için bu sinyallerin örüntü tanıma amaçlı modellenmesi ve modelleme sonucunda elde edilen parametrelerin sınıflandırılması gerekmektedir. Fraktal modelleme sinyal işlemede daha önce örüntü tanıma amaçlı kullanılmamış bir yöntemdir. Bu çalışmanın amacı, fraktal modelleme tekniklerini EMG örüntülerini tanıma amaçlı kullanmak ve elde edilen sonuçlan geleneksel bir yöntem olan özbağlanımsal yöntemin sonuçlarıyla karşılaştırmaktır. Bu amaçla, kolun ve bileğin on altı değişik hareketinde yirmi dört yaşında bir erkekten yüzey EMG kaydı alındı. Laboratuar çalışması İstanbul Üniversitesi Elektro-Nöro-Fizyoloji Araştırma ve Uygulama Merkezi Laboratuarları'nda gerçekleştirildi Kaydedilen sinyaller, özbağlanımsal ve fraktal modelleme yöntemleriyle modellendi. Başlangıçta, fraktal modelleme, veri sıkıştırma ve sinyallerin geri elde edilmesi uygulamaları ile denendi. Elde edilen başardı sonuçların ardından, her iki yöntem (özbağlanımsal modelleme ve fraktal modelleme) parametreleri ile, yapay sinir ağlan ile örüntü tanıma uygulamaları yapıldı. Sonuç olarak fraktal modellemenin bir parametresi olan sıkıştırma katsayısının, çok başardı olmamakla birlikte, örüntü tanıma amaçlı kullanılabileceği gösterildi, özbağlanımsal modelleme parametrelerinin görece daha iyi sonuçlar verdiği görüldü. Anahtar kelimeler: Yüzey elektromiyografi (EMG), fraktal modelleme, özbağlanımsal modelleme, örüntü tanıma, yapay sinir ağları.

IV FRACTAL MODELING OF SURFACE ELECTROMYOGRAPHY (EMG) SIGNALS FOR EMG PATTERN RECOGNITION BY ARTIFICIAL NEURAL NETWORKS ABSTRACT Patterns of electromyography (EMG) signals of different musculo-skeletal motions are important features that can be used for applications like, control of prostheses in medicine or control of robot arms in industry. So as to use EMG signals for such applications, the signal is to be modeled in order to obtain parameters which can be useful for pattern recognition. Fractal Modeling is a new approach in signal modeling which was not previously used for pattern recognition applications. The objective of this study is to use Fractal Modeling techniques for EMG pattern recognition and compare these results with those of Autoregressive (AR) Modeling which is a conventional method. For this purpose EMG signals of sixteen different motions of the arm and the hand, are acquired in Istanbul University Medical School Neurophysiology Laboratory from a twentyfour years old male. These signals are modeled with both AR and Fractal Modeling techniques. Fractal Modeling is tested at first for reconstruction and data compression implementations. Having seen the satisfactory results of fractal modeling in terms of reconstruction of the signals, the AR and the fractal models are studied for pattern recognition purposes via artificial neural networks. The results indicate that the contraction factor in Fractal Model can be a criteria for recognition. However, the AR Model parameters yield better results in terms of classification and recognition of motions via surface EMG analysis. Keywords: Surface electromyography (EMG), fractal modeling, autoregressive modeling, pattern recognition, artificial neural networks.