Conselho Nacional de Desenvolvimento Científico e Tecnológico / The detection and classification of EMG motor unit action potentials (MUAP) is
an important tool in the study of the neuromuscular system, allowing for a number os
applications, such as the diagnoses of motor disorders.
However, although there are several methods described in the literature to perform
such actions, the majority relies on complex algorithms and specific instrumentation. Depending
on the system, the computational cost or the detection mechanism, sometimes
involving electrode arrays, may limit its use in clinical applications, biofeedback or embedded
systems for controlling artificial prostheses. Another important issue is the detection
and classification of firing MUAPs in signals with low signal to noise ratio (SNR). A
method capable of operating with low SNR is paramount for applications, such as the
use of electromyography in human machine interfaces (HMI), where the positioning and
fixation of the electrodes may be performed by a non-trained user, and the signal can be
contaminated by high levels of electromagnetic interference.
As a solution for such problems, two complementary methods were proposed: the first
(MD-FC) is based on the use of banks of matched filters for detection and classification
MUAPs in EMG signals, whereas the second (MAD-FC) is proposed as an improvement from the first, aiming situations with a high probability of overlapping firing MUAPs. The
proposed methods sought to achieve those goals without an excessive increase in computational
cost, treating signals with variable noise levels and considering the overlapping
of MUAPs.
The results showed that the MD-FC system is able to accurately detect 96% of isolated
MUAPs in signals with SNR of 10 dB and up to 10 active motor units. However, the
performance is reduced in the presence of high levels of overlapping MUAPs, as expected.
The second method (MAD-FC) was designed to improve the detection of overlapping
MUAPs. The results showed that the MAD-FC is able to detect and classify firing MUAPs
in signals with up 10 active motor units and SNR of 20 dB at rates of success higher than
79.80%, on average. When the SNR is decreased to 10dB the rates of success reach at least
75.19%, on average (even in this case with a high percentage of overlapping). In general,
the MAD-FC showed rates of success around 20% better than the MD-FC method.
Both methods are quite efficient when using computational resources. They were
created in order to process EMG windows of 50 milliseconds in less than 5 milliseconds,
when using a standard desktop computer. This feature allows their use in applications
requiring MUAPs detection and classification in real time. / A detecção e classificação dos potenciais de ação de unidade motora (PAUMs) de
sinais EMG é uma ferramenta importante no estudo do sistema neuromuscular. A partir
de informações dessa classificação é possível diagnosticar distúrbios motores.
Entretanto, apesar de existirem diversas propostas na literatura para executar tais
ações, a grande maioria depende de algoritmos complexos e instrumentação específica.
Dependendo do sistema, o custo computacional ou o mecanismo de captação envolvendo,
matrizes de eletrodos, pode limitar sua utilização em aplicações clínicas, biofeedback ou
em sistemas embarcados para controle de próteses. Outra questão importante consiste na
detecção e classificação de disparos em sinais com baixa relação sinal ruído (SNR). Um método capaz de operar em sinais com baixa SNR é interessante em aplicações onde não se
pode controlar completamente a coleta do sinal. Como exemplo, podemos citar aplicações
da eletromiografia em interfaces homem máquina (IHM), onde o posicionamento dos eletrodos
pode ser realizado por um usuário com pouco treinamento e o ambiente pode conter
alto nível de interferência eletromagnética, diminuindo a SNR do sinal captado.
Como solução para tais problemas, foram propostas duas metodologias complementares: a primeira delas (MD-FC) se baseia no uso de bancos de filtros casados para detecção
e classificação de PAUMs em sinais EMG, enquanto a segunda (MAD-FC) é uma proposta
de aprimoramento da primeira para situações com altas probabilidades de sobreposição
de disparos de MUAPs. As metodologias propostas buscaram atingir aqueles objetivos
sem um aumento excessivo no custo computacional, tratando sinais com níveis variados
de ruídos e considerando a questão de sobreposição de PAUMs, comuns em sinais EMG.
Os resultados demonstraram que o sistema MD-FC é capaz de detectar disparos isolados
com precisão de 96% em média para relação sinal ruído de 10 dB com até 10 unidades
motoras ativas, porém seu é desempenho diminuído na presença de altos níveis de sobreposição de PAUMS. O segundo MAD-FC que foi elaborado de forma a aprimorar a
detecção sobre ondas sobrepostas, e é capaz de detectar e classificar os disparos de sinais
com até 10 unidades motoras ativas com taxa de classificação correta maior do que 79,80%
em média e com SNR de 20 dB. Para sinais com SNR de 10 dB esse valor é de 75,19%
em média. Em geral, o método MAD-FC apresentou performance superior ao MD-FC em
cerca de 20%.
Os dois métodos são bastante eficientes no uso de recursos computacionais. Eles foram
criadas de forma a analisar os sinais EMG em janelas de 50 milissegundos em menos de
5 milissegundos a partir de um computador desktop padrão, o que permite sua utilização
em sistemas de detecção e classificação de PAUMs em tempo real. / Doutor em Ciências
Identifer | oai:union.ndltd.org:IBICT/urn:repox.ist.utl.pt:RI_UFU:oai:repositorio.ufu.br:123456789/14324 |
Date | 28 June 2013 |
Creators | Siqueira Junior, Ailton Luiz Dias |
Contributors | Soares, Alcimar Barbosa, Andrade, Adriano de Oliveira, Naves, Eduardo Lázaro Martins, Moraes, Raimes, Bagesteiro, Léia Bernardi |
Publisher | Universidade Federal de Uberlândia, Programa de Pós-graduação em Engenharia Elétrica, UFU, BR, Engenharias |
Source Sets | IBICT Brazilian ETDs |
Language | Portuguese |
Detected Language | Portuguese |
Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis |
Format | application/pdf |
Source | reponame:Repositório Institucional da UFU, instname:Universidade Federal de Uberlândia, instacron:UFU |
Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0029 seconds