Vous êtes sur la page 1sur 4

Deteccin de Seales Mioelctricas y su anlisis con Redes Neuronales

Ing. Jaime Alberto Aguilar Zambrano, Bernardo Jos Aristizabal Rivera y Marcial Enrique Quiones
Angulo
Facultad de Ingeniera, Pontificia Universidad Javeriana

Resumen. - Este documento describe el sistema


desarrollado en la Universidad Javeriana de Cali
para la adquisicin de EMGs y su anlisis con
RNAs para la clasificacin de movimientos de la
mano. El sistema permite realizar exmenes
mdicos y rehabilitar pacientes con amputacin o
problemas musculares utilizando para ello una
prtesis virtual.
Abstract. - This document contains information
about the system developed at the Javeriana
University in Cali to acquire and analyze EMGs
using ANNs to classify hand movements. The
system provides a tool for medical examination and
patients rehabilitation.

adquisicin de datos en un computador. Con el


uso de software se realizan diferentes procesos a
la seal adquirida y los resultados obtenidos le
entregan a una red neuronal para la clasificacin
del movimiento que se esta realizando. Con la
salida de la red se maneja una prtesis virtual
con fines de rehabilitacin y entrenamiento del
paciente.

Palabras Clave: EMGs (Electromiogramas), RNAs


(Redes Neuronales Artificiales), ANNs (Artificial
Neural Networks), Mioelctricas.
I. INTRODUCCION

En la actualidad existen muchos estudios


enfocados al anlisis de electromiogramas, los
cuales sin embargo, toman mucho tiempo entre
la adquisicin de la seal y la clasificacin del
movimiento a realizar por la prtesis por lo cual
su implementacin para el control de
dispositivos reales se hace inaceptable; otros
estudios, aunque clasifican mas rpido las
seales, prtesis implementadas con estos
mtodos requieren de largas jornadas de
entrenamiento por parte del paciente para
aprender a manejarlas, pues ste debe aprender a
generar contracciones musculares nunca antes
utilizadas para el manejo de su miembro natural.
El presente trabajo busca obtener una rpida
clasificacin del electromiograma y hacer uso de
sta en el control de una prtesis virtual con el
menor esfuerzo posible por parte del paciente,
para ello, la persona discapacitada genera
contracciones que son clasificadas por una red
neuronal entrenada para saber que movimiento
de la prtesis se quiere realizar.
La figura 1 muestra el principio de
funcionamiento del sistema.
El EMG es
adquirido del miembro amputado por medio de
electrodos conectados a un amplificador
diferencial cuya salida va a una tarjeta de

Figura 1. Sistema de adquisicin y anlisis de EMGs

II. ADQUISICIN DEL EMG

La figura 2 ilustra la forma de adquisicin de


Seales utilizada en la cual se colocan 2
electrodos para tomar las Seales y otro de
referencia.

Figura 2. Metodologa para la adquisicin de Seales


mioelctricas

La salida del amplificador diferencial es


digitalizada a 4 Khz y entregada al computador
en grupos de 256 puntos cada vez.
La
metodologa de adquisicin toma como punto de
partida la utilizada por Kelly para la adquisicin
de electromiogramas[ 1 ].

III. CLASIFICACION DE ELECTGROMIOGRAMAS


UTILIZANDO REDES NEURONALES

Luego de la digitalizacin, la seal es filtrada,


por debajo de 2Khz y suprimindole la
frecuencia de 60 Hz y se le calcula el valor RMS
utilizando para ello los algoritmos de las libreras
de procesamiento de Seales de Lab Windows.

Para la clasificacin de los movimientos se


utilizo la forma que presenta el valor RMS de la
seal electromiogrfica, sin contracciones
musculares este permanece constante y
dependiendo de la contraccin que se realice
presenta diferentes formas. La figura 21 ilustra 4
formas del valor RMS asociadas con diferentes
estados musculares asociados con movimientos
realizados por la mano de una persona sin
amputacin y con un par de electrodos ubicados
en la parte superior e inferior del antebrazo. Para
la obtencin de la grafica se movi 3 veces la
mano hacia arriba que corresponde al grupo 1 de
movimientos donde se ve un pico hacia arriba en
el valor RMS; luego se movi la mueca hacia
abajo 3 veces para obtener el grupo 2 de
movimientos que presentan un pico hacia abajo y
por ultimo se cerro la mano 3 veces generando el
tercer grupo de movimientos para los cuales el
valor RMS oscila un poco arriba. El cuarto
estado muscular esta asociado con el estado de
reposo de los msculos y se ve representado por
el numero 4, sin embargo, tambin esta presente
entre cada movimiento realizado y entre cada
grupo de movimientos. De acuerdo a estas
formas la red deber clasificar que movimiento
se esta realizando.

Figura 3. Formas de seal obtenidas al calcular el valor RMS


del EMG durante la ejecucin de diferentes movimientos de
la mano.

La ecuacin (1) muestra la forma de calcular el


valor RMS del EMG de obtenido donde n es el
numero de puntos de la seal electromiogrfica
muestreados cada vez y Xi cada uno de ellos

rms =

1 n1 2
xi
n i= 0

(1)

Debido a las caractersticas presentadas por la


seal de entrada a la red, o sea, el valor rms de la
seal electromiogrfica y las de la seal de
salida, es decir, un mapa de valores mutuamente
excluyentes pues en todo momento los msculos
se encontrarn relajados o ejecutando un tipo de
movimiento; se vio la necesidad de implementar
una red que tuviera memoria en la entrada para
que fuera analizando el comportamiento
cambiante de sta y que aproximara unas
funciones no lineales en la salida equivalentes al
mapa de movimientos a clasificar. Esta red es
una combinacin de la red utilizada para la
identificacin de sistemas dinmicos y la de
aproximacin de funciones.
Para la discriminacin se implement una red
neuronal que tiene como entrada valores rms de
la seal en el tiempo t y los 4 t anteriores y como
salida el movimiento a realizar por la prtesis
virtual. La red es de tipo multicapa con funcin
de activacin tangente hiperblica pues con ella
se puede aproximar cualquier funcin no lineal
como es el caso necesitado para las salidas
correspondientes a los diferentes movimientos a
realizar, permite entrenamiento supervisado el
cual es necesario pues se le debe decir a la red
que forma corresponde a que movimiento y
adems, se tenia bastante informacin acerca de
ellas.
Para el entrenamiento supervisado de la red es
necesario definir los patrones de entrenamiento,
es decir, lo que se espera obtener de ella o salida
deseada y los estmulos que ocasionan esas
salidas o respuestas. El entrenamiento se hace
comparando la salida deseada con la actual de la
red para obtener la diferencia entre estas o error
de salida y haciendo que la red aprenda, es decir,
mejore su respuesta aproximndose cada vez
mas a lo deseado para lo cual se minimiza una
funcin de error que es el valor RMS de los
errores de las salidas o error RMS. Este valor es
un indicativo del porcentaje de diferencia que
hay entre las salidas deseada y actual de la red y
a medida que este disminuye la red aproxima
cada vez mas su salida a la deseada, sin embargo,
si este valor es llevado a cero, la red aprende de
memoria los patrones de entrenamiento y en el
caso de que estos se vean un poco distorsionados

la red no estar en capacidad de clasificarlos,


esto es, la red no generaliza. El entrenamiento de
la red se hizo con el algoritmo de propagacin
inversa. El calculo del error RMS se efecta con
la siguiente formula (2) donde yd es la salida
deseada, y la salida actual y n el numero de
patrones de entrenamiento [ 2 ].

ErrorRMS =

1 n 1
( yd i yd ) 2

n i =0

(2)

La escogencia del numero de neuronas de


entrada se hizo determinando cuantos puntos de
la seal RMS del EMG se necesitaban para
enmarcar la forma de seal asociada con un
movimiento; se obtuvo que con 5 era suficiente
para que la red pudiera clasificar correctamente.
El numero de neuronas de la capa oculta se
escogi del hecho de que los 5 puntos del valor
RMS utilizados para la clasificacin de un
movimiento se ubicaron en 5 diferentes
posiciones para clasificar el mismo estado
muscular es decir 5 patrones de entrenamiento
por cada movimiento a realizar como se ilustra
en la figura 4; dado que se tiene 4 posibles
estados musculares el numero de patrones
asciende a 20 lo cual lleva a una neurona oculta
por patrn de entrenamiento. La neuronas de
salida se escogi de acuerdo al numero de
posibles clasificaciones a realizar, es decir, 4.

Se escogi que la prtesis realizara los


movimientos de abrir y cerrar pues son los mas
tiles y necesarios.
Las
pruebas
realizadas
en
personas
discapacitadas demostraron que es posible
calcificar las seales provenientes de su miembro
amputado para controlar una prtesis utilizando
redes neuronales, si embargo, en los casos en que
la persona presentaba atrofiamiento de los
msculos por falta de rehabilitacin era
imposible obtener seales repetibles y
clasificables por la red.
En los casos en que las personas no eran capaces
de generar las contracciones asociadas con las
funciones naturales de los miembros es posible
entrenarles la prtesis para que se mueva con
alguna contraccin fcil de realizar por la
persona.

REFERENCIAS

[ 1 ] KELLY, Michael F., PARKER, Phillip A y SCOTT


Rober N. Myoelectric signal analysis using neural networks,
En: IEEE Magazine in medicine and biology. 1990. P. 6164
[ 2 ] DELGADO, Alberto. Inteligencia Artificial y
Minirobots.
Santaf de Bogot : Ecoe Ediciones,
1998 .
AUTORES

Ing. Jaime Alberto Aguilar Zambrano, director


de carrera de ingeniera electrnica y profesor de
la Pontificia Universidad Javeriana Cali. Se
encuentra trabajando en el rea de los circuitos
Elctricos y de la electrnica anloga. Su rea
de trabajo esta enfocada al desarrollo de equipos
de medicin medica, el procesamiento de
Seales y el desarrollo de productos de
aplicacin industrial o educativa. E-mail:
jaguilar@puj.edu.co
Figura 4. Posibles valores de entrada a la red neuronal que
permiten la clasificacin del movimiento de mover la mueca
hacia arriba .
IV. RESULTADOS OBTENIDOS

El resultado final del trabajo es un sistema que


permite adquirir Seales mioelctricas y
analizarlas con una red neuronal para controlar
una prtesis virtual.

Bernardo Jos Aristizabal Rivera, candidato al


titulo de ingeniero electrnico en la Pontificia
Universidad Javeriana de Cali, actualmente
trabaja como Ingeniero de Laboratorio para
Schlumberger Surenco en Colombia. Su rea de
trabajo esta enfocada al mantenimiento de
sistemas de adquisicin de datos en pozos
petroleros. reas de inters:
Inteligencia
artificial y anlisis ptico de fluidos. E-mail:
baristizabal@bogota.oilfield.slb.com

Marcial Enrique Quinez Angulo, candidato al


titulo de ingeniero electrnico en la pontificia
universidad javeriana de Cali, actualmente
trabaja en su empresa Vectorial Studios como
Gerente de proyectos. Su trabajo esta enfocada a
dirigir y realizar desarrollos tecnolgicos en el
rea Web, Multimedia, video Digital y
animacin tridimensional. reas de inters:
inteligencia artificial, anlisis y captura de
movimiento mediante el uso de redes neuronales,
modelamiento y animacin tridimensional.
E-mail: marcialq@mail.com
Pagina Web: www.vectorialstudios.com