Máquinas de vetores suporte para classificação do Onset em dados temporais de eletromiografia

Abstract

Os estudos sobre parâmetros temporais em eletromiografia (EMG) focam a sua análise tendencialmente no onset, existindo uma escassez quanto à descrição e discussão dos fenómenos temporais. A dependência nos parâmetros dos algoritmos de deteção do onset e os diferentes métodos comprometem a reprodutibilidade de resultados. O objetivo deste trabalho é assim testar a performance de diferentes features no domínio do tempo na construção de modelos de Máquinas de Vetor Suporte (SVM) quanto à localização do onset. Sinal EMG de superfície foi recolhido durante o swing do golfe de 12 músculos (tronco e membro inferior) de 12 golfistas, 6 de handicap (Hc) baixo ( =1.4±2.5 <5) e 6 de handicap alto ( =24.6±4.2> 18). O sinal foi segmentado com janelas de 200 ms de 5 em 5 ms e depois foram extraídas as seguintes features no domínio do tempo: Valor Médio Absoluto, Comprimento do Formato da Onda, Diferença Absoluta do Desvio Padrão, Variância do EMG, Integral EMG e Detetor Logarítmico. As features foram selecionadas e ordenadas quanto à importância sendo construídos três conjuntos de 2, 4 e 6 features (F2, F4 e F6) para cada modelo. Após a realização de pesquisa de rede (grid-search), os melhores parâmetros quanto à precisão da classificação pelo modelo radial basis function (RBF) – SVM foram selecionados por cross-validation. O teste de Friedman foi aplicado para comparar os parâmetros ( , ) nos três conjuntos de features e a ANOVA mista para comparar a classificação e vetores suporte entre os grupos de features e grupos de handicap (alto Hc, baixo Hc e total). Verificamos que os grupos alto, baixo e total Hc apresentaram uma precisão de classificação de 90.3±4% (média±desvio-padrão), 90.8±4.9% e 89.4±3.7% para F2, 94.9±2.5%, 95.0±3.3%, 93.5%±3.2% para F4 e 95.2±2.4%, 95.1±3.2% e 93.6±3.3% para F6. Os valores dos parâmetros RBF, a classificação e o número de vetores suporte tende a ser similar entre F4 e F6, variando no entanto em relação a F2. Concluímos assim que quatro features garantem uma precisão na classificação superior a 90% em relação aos instantes de tempo classificados como antes e depois do onset podendo servir de base de construção de modelos SVM.

Studies on temporal parameters in electromyography (EMG) focus their analysis on onset. However, the description and discussion of temporal phenomena themselves is scares and the results reproducibility is hard due to different parameters and methods. Thus, the aim of this work is to test the performance of different time-domain features building Support Vector Machines (SVM) models for onset detection. Surface EMG was collected from 12 muscles (trunk and lower limb) during the golf swing. Twelve golfers of two handicap (Hc) groups were recruited (6 low Hc=1.4±2.5 <5; 6 high Hc=24.6±4.2> 18). The signal was segmented with 200 ms windows, with a lag between windows of 5 ms followed by time-domain features extraction: Mean Absolute Value, Waveform Length, Difference Absolute Standard Deviation Value, Variance, Integrated EMG, and Integral logarithmic detector. The features were selected and ranked by relevance on three sets of 2, 4 and 6 features (F2, F4 and F6). After conducting grid-search for radial basis function (RBF) - SVM, the best parameters were selected for each model using cross-validation. The Friedman test was used to compare the parameters (C,γ) of different models. A mixed ANOVA was performed to compare the support vector classification and interaction between features model and handicap groups (high Hc, Hc and low total). The high, low, and total Hc groups showed a classification accuracy of 90.3 ± 4% (mean±standard deviation), 90.8±4.9% and 89.4±3.7% for F2, 94.9±2.5%, 95.0±3.3%, 93.5%±3.2% for F4% and 95.2±2.4, 95.1±3.2% and 93.6±3.3% to F6. RBF values of the prameters, classification and number of support vectors tends to be similar between F4 and F6, though varying in relation to F2. We conclude therefore that four features ensure an accuracy rate exceeding 90% in relation to the time classification as before and after the onset. Timedomain features could be a basis for constructing SVM classification models.