[論文レビュー] A Novel Feature Extraction for Robust EMG Pattern Recognition

Angkoon Phinyomark, Chusak Limsakul+1 more|ArXiv.org|Dec 20, 2009

Muscle activation and electromyography studies参考文献 21被引用数 355

ひとこと要約

本論文は、ノイズが多い環境下でも頑健な筋電図（EMG）パターン認識を実現するための新しい特徴抽出手法、平均周波数（MMNF）および中央周波数（MMDF）を提案する。ノイズ除去の事前処理を不要とするため、0 dB SNRにおける弱いEMG信号でもMMNFは5–10%の誤差を達成し、他の特徴量が20%を超えるのに対し、白色ガウスノイズ（WGN）に対して顕著に優れた頑健性を示す。

ABSTRACT

Varieties of noises are major problem in recognition of Electromyography (EMG) signal. Hence, methods to remove noise become most significant in EMG signal analysis. White Gaussian noise (WGN) is used to represent interference in this paper. Generally, WGN is difficult to be removed using typical filtering and solutions to remove WGN are limited. In addition, noise removal is an important step before performing feature extraction, which is used in EMG-based recognition. This research is aimed to present a novel feature that tolerate with WGN. As a result, noise removal algorithm is not needed. Two novel mean and median frequencies (MMNF and MMDF) are presented for robust feature extraction. Sixteen existing features and two novelties are evaluated in a noisy environment. WGN with various signal-to-noise ratios (SNRs), i.e. 20-0 dB, was added to the original EMG signal. The results showed that MMNF performed very well especially in weak EMG signal compared with others. The error of MMNF in weak EMG signal with very high noise, 0 dB SNR, is about 5-10 percent and closed by MMDF and Histogram, whereas the error of other features is more than 20 percent. While in strong EMG signal, the error of MMNF is better than those from other features. Moreover, the combination of MMNF, Histrogram of EMG and Willison amplitude is used as feature vector in classification task. The experimental result shows the better recognition result in noisy environment than other success feature candidates. From the above results demonstrate that MMNF can be used for new robust feature extraction.

研究の動機と目的

• 従来の特徴抽出手法の性能を低下させる白色ガウスノイズ（WGN）の影響に起因するEMG信号認識の課題に対処すること。
• 事前ノイズ除去処理を必要としない、WGNに対して本質的に頑健な特徴抽出手法を開発すること。
• 特に低振幅（弱い）EMG信号における、さまざまな信号対ノイズ比（SNR）下での提案手法の性能を評価すること。
• MMNF、ヒストグラム、ウィリスン振幅を含む組み合わせ特徴ベクトルを用いて、ノイズ環境下での分類精度の向上を実証すること。

提案手法

• EMG信号のパワー周波数スペクトル密度から導出される周波数ベースの特徴量として、平均周波数（MMNF）および中央周波数（MMDF）の2つの新しい特徴量を提案する。
• ノイズフィルタリングアルゴリズムに依存しないように、事前処理を施さずに生EMG信号に直接特徴量を適用する。
• 分類のための複合特徴ベクトルとして、MMNF、EMG振幅のヒストグラム、およびウィリスン振幅を組み合わせる。
• 白色ガウスノイズを加えて、SNR 20 dBから0 dBまでの範囲で性能を評価し、高ノイズ状態をシミュレートする。
• SVMなどの標準的な分類手法を用いて、提案された特徴セットを用いた認識精度を評価する。
• 提案された特徴量を、16の既存のEMG特徴量と比較し、ノイズ環境下での分類誤差を評価する。

実験結果

リサーチクエスチョン

• RQ1 MMNFおよびMMDFは、事前ノイズ除去処理を施さずに白色ガウスノイズ下でも頑健なEMGパターン認識性能を発揮するか？
• RQ2 特に弱いEMG信号における低SNR下で、MMNFは既存のEMG特徴量と比較して分類誤差がどのように異なるか？
• RQ3 MMNFをヒストグラムおよびウィリスン振幅と組み合わせることで、個々の特徴量や他の特徴量の組み合わせに比べ、ノイズ環境下での分類精度が向上するか？
• RQ4 SNRを20 dBから0 dBに低下させた際、MMNFの性能劣化は他の特徴量と比較してどの程度か？
• RQ5 従来の特徴量が失敗するような非常に高いノイズ環境（0 dB SNR）下でも、MMNFは低誤差率を維持できるか？

主な発見

• 0 dB SNRにおける弱いEMG信号では、MMNFの分類誤差が5–10%に留まり、他の特徴量が20%を超えるのに対し、顕著に優れた性能を示した。
• 強いEMG信号においても、MMNFは評価されたすべての他の特徴量よりも低い分類誤差を示し、信号振幅の範囲にわたる頑健性を確認した。
• MMDFおよびヒストグラム特徴量も、0 dB SNRでMMNFと同等の性能を示し、誤差が5–10%の範囲に収まった。これは、強いノイズ耐性を示している。
• MMNF、ヒストグラム、およびウィリスン振幅の組み合わせは、個々の特徴量や他の特徴量の組み合わせよりも、ノイズ環境下で優れた分類結果を達成した。
• 提案手法は、事前ノイズ除去処理の必要性を排除することで、EMG認識パイプラインの簡素化を実現するとともに、耐障害性を向上させた。
• MMNFは特に低SNR条件下で顕著な効果を示し、ノイズが避けられない実世界のEMGアプリケーションに適している。