Classificação dos movimentos da mão baseados na aquisição não invasiva de sinais mioelétricos provenientes dos músculos do antebraço através de redes neurais artificiais

Abstract

A mão humana é o órgão responsável pela maior parte das atividades do cotidiano, a sua perda pode ser suprida através de técnicas de protetização, visando restaurar, além da estética, a funcionalidade do membro perdido. O objetivo desse trabalho é realizar um estudo voltado para o controle de próteses do membro superior, dessa forma, classificou-se quatro movimentos da mão, provenientes de uma aquisição não invasiva dos sinais mioelétricos dos músculos do antebraço: abrir e fechar de mãos, preensão palmar, referente a ação de segurar um copo, preensão dígito-polegar, referente a ação de segurar um alfinete e o estado de repouso, quando o indivíduo não está executando nenhum movimento. Utilizou-se dois bancos de dados, um de indivíduos normais e outro de indivíduos com amputação transradial do membro superior, para ambos os casos, o banco de dados foi composto de onze indivíduos homens, com cada movimento repetido cinco vezes por cada indivíduo. A classificação dos movimentos foi feita através de redes neurais artificiais, utilizando a toolbox nntool do Matlab, os dados passaram por um processamento, foram utilizado os seguintes filtros: DC, notch de 60 Hz para remover a interferência da rede, média móvel e passa-baixa de 500 Hz, após as filtragens, diminuiu-se a quantidade de amostras, mudando o sinal de uma frequência de amostragem de 2 KHz para 500 Hz. Os melhores resultados para o banco de dados dos indivíduos normais para o estado de repouso foi com a rede neural NARX com função de ativação linear, com os valores de desempenho de seletividade positiva de 98,04%, seletividade negativa de 55,55%, sensibilidade de 90,90%, especificidade de 86,21% e eficiência de 90,36%. Para o movimento de abrir a mão, foi com a rede neural feed-forward backpropagation com função de ativação tangente hiberbólia sigmoide, com os valores de desempenho de seletividade positiva de 51,72%, seletividade negativa de 68,35%, sensibilidade de 54,54%, especificidade de 65,85% e eficiência de 61,32%. Para o movimento de fechar a mão foi com a rede neural cascade-forward backpropagation com função de ativação função de ativação tangente hiberbólia sigmoide, com os valores de desempenho de seletividade positiva de 63,64%, seletividade negativa de 80,88%, sensibilidade de 76,36%, especificidade de 69,62% e eficiência de 72,39%. Para o movimento de preensão palmar foi com a rede neural NARX com função de ativação função de ativação sigmoide logarítmica, com os valores de desempenho de seletividade positiva de 85,94%, seletividade negativa de 70,77%, sensibilidade de 83,64%, especificidade de 74,32% e eficiência de 78,30%. Para o movimento de preensão dígito-polegar foi com a rede neural NARX com função de ativação linear, com os valores de desempenho de seletividade positiva de 98,21%, seletividade negativa de 100,00%, sensibilidade de 100,00%, especificidade de 66,67% e eficiência de 98,28%. Apesar de a rede NARX com função de ativação linear trazer bons resultados para os casos de repouso e movimento de pinça, para os demais movimentos essa foi a rede com pior desempenho. Os valores de desempenho para banco de dados dos indivíduos amputados foram inferiores quando comparados com o desempenho dos indivíduos normais. Os melhores resultados para o banco de dados dos indivíduos amputados para o estado de repouso foi com a rede neural feed-forward backpropagation com função de ativação tangente hiberbólia sigmoide, com os valores de desempenho de seletividade positiva de 54,30%, seletividade negativa de 63,87%, sensibilidade de 54,80%, especificidade de 59,60% e eficiência de 63,41%. Para o movimento de abrir a mão, foi com a rede neural feed-forward backpropagation com função de ativação tangente hiberbólia sigmoide, com os valores de desempenho de seletividade positiva de 30,77%, seletividade negativa de 66,67%, sensibilidade de 50,90%, especificidade de 47,67% e eficiência de 46,15%. Para o movimento de fechar a mão também foi com a rede neural feed-forward backpropagation com função de ativação tangente hiberbólia sigmoide, com os valores de desempenho de seletividade positiva de 63,33%, seletividade negativa de 76,39%, sensibilidade de 69,09%, especificidade de 70,45% e eficiência de 71,43%. Para o movimento de preensão palmar foi com a rede neural feed-forward backpropagation com função de ativação função de ativação tangente hiberbólia sigmoide, com os valores de desempenho de seletividade positiva de 16,18%, seletividade negativa de 62,50%, sensibilidade de 40,00%, especificidade de 32,54% e eficiência de 34,30%. Para o movimento de preensão dígito-polegar foi com a rede neural cascade-forward backpropagation com função de ativação tangente hiberbólia sigmoide, com os valores de desempenho de seletividade positiva de 20,510%, seletividade negativa de 61,25%, sensibilidade de 43,64%, especificidade de 34,50% e eficiência de 37,06%. A rede que no conjunto dos movimentos e repouso teve a melhor performance foi a rede feed-forward backpropagation com função de ativação tangente hiberbólia sigmoide, tanto para os indivíduos normais como para os indivíduos amputados.

The human hand is the organ responsible for the majority of day-to-day life activities, and the consequences of its loss can be reduced by using prosthetization techniques that aim to restore aesthetics and functionality of a lost limb. The goal of this thesis is to study ways of controlling upper limb prosthesis. Four hand movements were studied and classified, for which it’s signals were collected through non-invasive sensors to read myoelectric signal from the patient’s forearm: opening and closing of hand, palmar pressure (equivalent to holding a cup), pincer pressure (equivalent to holding a pin) and finally when the hand is at rest. Two sets of data were used, one from individuals that still have a hand and another one with individuals that lost their hand but still had most of its forearm. On both sets, the study was conducted using eleven men, with each movement repeated fives times per individual. The classification of the movements was made through artificial neural networks, using the nntool Matlab toolbox. All the signals were preprocessed using the following filters: DC removal, 60Hz notch filter, moving average and a 500Hz low-pass filter, after filtering, the signal was decimated to a sampling frequency of 500Hz. The best achieved results for the normal patients were the detection of state of resting hand using the NARX network with linear activation function, that yielded a positive selectivity of 98,04%, negative selectivity of 55,55%, sensibility of 90,90%, specificity of 86,21% and efficiency of 90,36%. To the hand opening movement, the best network was the feed-forward backpropagation network with the hyperbolic tangent sigmoid activation function, that yielded a positive selectivity of 51,72%, negative selectivity of 68,35%, sensibility of 54,54%, specificity of 65,85% and efficiency of 61,32%. For the hand closing movement, the best network was the cascade-forward backpropagation network with the hyperbolic tangent sigmoid activation function, that yielded a positive selectivity of 63,64%, negative selectivity of 80,88%, sensibility of 76,36%, specificity of 69,62% and efficiency of 72,39%. For the hand pressure movement, the best network was the NARX network with the logarithmic tangent sigmoid activation function, that yielded a positive selectivity of 85,94%, negative selectivity of 70,77%, sensibility of 83,64%, specificity of 74,32% and efficiency of 78,30%. To the pincer movement, the best network was the NARX network with the linear activation function, that yielded a positive selectivity of 98,21%, negative selectivity of 100,00%, sensibility of 100,00%, specificity of 66,67% and efficiency of 98,28%. Although the NARX network with linear activation function provided good results for the cases of rest and pincer movement, for the other movements this was the worst performing network. The performance values for the amputated individuals’ database where lower when compared with the performance of normal individuals. The best results for the amputated individual’s database was with the feed-forward backpropagation network with hyperbolic tangent sigmoid activation function, that yielded a positive selectivity of 54,30%, negative selectivity of 63,87%, sensibility of 54,80%, specificity of 59,60% and efficiency of 63,41%. To the hand opening movement, the best network was the feed-forward backpropagation network with the hyperbolic tangent sigmoid activation function, that yielded a positive selectivity of 30,77%, negative selectivity of 66,67%, sensibility of 50,90%, specificity of 47,67% and efficiency of 46,15%. The hand closing movement also had the best network as the cascade-forward backpropagation network with the hyperbolic tangent sigmoid activation function, that yielded a positive selectivity of 63,33%, negative selectivity of 76,39%, sensibility of 69,09%, specificity of 70,45% and efficiency of 71,43%. For the hand pressure movement, the best network was the feed-forward backpropagation network with the logarithmic tangent sigmoid activation function, that yielded a positive selectivity of 16,18%, negative selectivity of 62,50%, sensibility of 40,00%, specificity of 32,54% and efficiency of 34,30%. For the digit-thumb grip motion was with the neural network cascade-forward backpropagation with sigmoid hyperbolic tangent activation function, with values of 20.510% positive selectivity, negative selectivity of 61.25%, sensitivity of 43.64%, specificity of 34.50% and efficiency of 37.06%. The network that in the set of movements and rest had the best performance was the feed-forward backpropagation network with sigmoid hyperbolic tangent activation function for both normal individuals and amputated individuals.