Avaliação dos efeitos de combinações função-custo/algoritmo-de-busca sobre o erro de classificação dos sistemas de controle mioelétrico com sintonização IPCA

Abstract

O sistema de controle mioelétrico classifica os movimentos executados por uma pessoa,realizando o processamento do sinal eletromiográfico (EMG) que acompanha cadamovimento. A abordagem mais comum para resolver esses sistemas de classificação é abaseada em reconhecimento de padrões. Recentemente foi proposto o sistema de controlemioelétrico com sintonização do tipo análise individual dos componentes principais(iPCA). Essa proposta consegue superar os desempenhos de classificação reportados naliteratura de classificação de movimentos da mão. A proposta mistura três componentes:(a) um sistema de aquisição de dados com alto conteúdo de crosstalk muscular, (b) umaetapa de sintonização e (c) um sistema de reconhecimento de padrões. A configuração daetapa de sintonização envolve uma rotina de otimização composta por dois processos:função custo e algoritmo de busca. Nosso trabalho explora a rotina de otimização tendocomo objetivo geral a determinação das relações existentes entre combinações do parfunção custo/algoritmo de busca e o desempenho de classificação dos sistemas de controlemioelétrico com sintonização iPCA. As combinações consideradas incluem quatroalternativas de algoritmo de busca (seleção sequencial, SFS; seleção sequencial flutuante,SFFS; otimização por enxame de partículas, PSO; e colônias artificiais de abelhas, ABC) eduas alternativas de função custo (erro de classificação, fator de correlação).A etapa experimental do nosso trabalho foi desenvolvida utilizando uma base de dados desinais EMG fornecida pelo Instituto de Reabilitação de Chicago. As classes nesta base dedados correspondem a 11 movimentos da mão e 10 usuários sem amputação. Aclassificação desses dados foi feita utilizando um esquema de sintonização iPCA seguidode um sistema de controle mioelétrico configurado com extração de característicasbaseadas nos coeficientes de um modelo auto-regressivo de ordem seis (AR6), redução dedimensionalidade baseada na análise discriminativa linear sem correlação (ULDA) eclassificador de análise discriminativa linear (LDA). Durante o processo de sintonizaçãoiPCA foram avaliadas oito alternativas para resolver a rotina de otimização, uma por cadacombinação função custo e algoritmo de busca. Os resultados permitiram comparar ostempos de busca e a aptidão das soluções atingidas com cada alternativa. Aliás, foramvicomparados os desempenhos de classificação associados com cada solução. Os sinaisEMG foram processados utilizando uma arquitetura de simulação codificadaespecificamente para resolver as necessidades do nosso projeto. O simulador desenvolvidopode ser utilizado em pesquisas futuras relacionadas com a análise dos efeitos de outrasetapas do sistema de controle sobre o erro de classificação.Os resultados de simulação sugerem que: (a) não foi observada evidência estatísticasuficiente, para indicar a dependência entre os algoritmos de busca e o erro de classificaçãodo sistema de controle (p<0.01). Este comportamento foi concluído para um conjuntoespecífico de parâmetros dos algoritmos de busca, é possível que o uso de outrosparâmetros leve a outros comportamentos. (b) Foi observada evidencia estatísticasignificativa para sugerir a dependência entre a função custo e o desempenho declassificação do sistema de controle (p<0.02). Resultados complementares permitiram (a)verificar a superioridade de desempenho do sistema de controle mioelétrico comsintonização iPCA sobre o sistema convencional e (b) identificar uma vantagem prática nouso do algoritmo PSO sobre as outras alternativas avaliadas, esta vantagem esteverelacionada com o tempo de busca das soluções ótimas._______________________________________________________________________________ ABSTRACT

Myoelectric control system classifies human contractions through signal processing of themyoelectric (MES) potentials generated from the muscle motions. These systems widelyemploy the pattern-recognition approach. Recently, it was proposed a myoelectric controlsystem with individual principal component analysis tuning (iPCA). This proposaloutperforms the reported classifications performances in the literature of hand movementclassification by mixing three components: an acquisition system with high muscularcrosstalk level, a tuning stage, and a pattern recognition system. The configuration of theiPCA tuning stage involves an optimization routine composed by two processes: costfunction and search algorithm. The general objective of our project is to find the relationsamong cost-function/search-algorithm combinations and classification performance ofmyoelectric control systems with iPCA. The considered combinations include four searchalgorithm (sequential forward selection, SFS; sequential floating forward selection, SFFS;particle swarm optimization, PSO; and artificial bee colony, ABC) and two cost functions(classification error and correlation factor).The experimental stage was executed with a MES data base provided by the RehabilitationInstitute of Chicago. The movements in the data base correspond to 11 motion classes ofthe hand and 10 users without amputation. The classification of these signals wasaccomplished using an iPCA tuning stage followed by a conventional myoelectric controlsystem configured with sixth order autoregressive model feature extraction (AR6),uncorrelated linear discriminant analysis dimensionality reduction (ULDA) and lineardiscriminant analysis classifier (LDA). To solve the optimization routine inside the tuningprocess, eight combinations of cost-function/search algorithm were used. The results wereused to compare the search time and fitness of the optimal solutions computed with eachcombination. The classification performance associated with each combination wasanalyzed too. The MES signals were processed with a simulator built specifically to ourrequirements. This simulator can be used to analyze effects of other processing stages overthe classification error.viiiThe simulation results suggest the following: (a) it was not found sufficient statisticalevidence, showing the dependence between the search algorithm and the classificationerror (p<0.01). This behavior was observed under experiments that used a specific set ofparameters for the search algorithms. It is possible that other configuration in theseparameters lead to different behaviors. (b) It was found statistical evidence indicating thedependence between the cost function and the classification error (p<0.02). Additionally,the results: (a) verify the performance superiority of iPCA tuning systems overconventional ones, and (b) suggest an advantage of the PSO algorithm over the other onesregard to the execution time.