[論文レビュー] Feature Analysis for Classification of Physical Actions using surface EMG Data

Anish C. Turlapaty, Balakrishna Gokaraju|arXiv (Cornell University)|Nov 9, 2018

Muscle activation and electromyography studies参考文献 36被引用数 41

ひとこと要約

本稿では、マルチチャネル表面EMG信号を用いた身体的行動分類のための新規特徴工学フレームワークを提案する。分類精度を向上させるために、修正されたスペクトルモーメント比／積およびチャネル間相関特徴を導入した。37個の特徴を用いた確率的ニューラルネットワーク（PNN）により、92.75％の正解率と0.924のCohenのKappaを達成し、ベースラインモデルを上回り、計算コストを低減したものの、SVMと同等の高い性能を示した。

ABSTRACT

Based on recent health statistics, there are several thousands of people with limb disability and gait disorders that require a medical assistance. A robot assisted rehabilitation therapy can help them recover and return to a normal life. In this scenario, a successful methodology is to use the EMG signal based information to control the support robotics. For this mechanism to function properly, the EMG signal from the muscles has to be sensed and then the biological motor intention has to be decoded and finally the resulting information has to be communicated to the controller of the robot. An accurate detection of the motor intention requires a pattern recognition based categorical identification. Hence in this paper, we propose an improved classification framework by identification of the relevant features that drive the pattern recognition algorithm. Major contributions include a set of modified spectral moment based features and another relevant inter-channel correlation feature that contribute to an improved classification performance. Next, we conducted a sensitivity analysis of the classification algorithm to different EMG channels. Finally, the classifier performance is compared to that of the other state-of the art algorithms

研究の動機と目的

• マルチチャネルsEMG信号からの身体的行動分類の正解率を、高度な特徴工学を用いて向上させること。
• パターン認識性能を向上させるために、特に修正されたスペクトルモーメント比／積およびチャネル間相関特徴といった新規特徴を特定・統合すること。
• 分類性能が異なるsEMGチャネルにどのように影響を受けるかを評価し、行動分類に最も関連するチャネルを特定すること。
• sEMGベースの行動認識の文脈において、PNN分類器の性能をSVMなどの最先端アルゴリズムと比較すること。
• リハビリテーションロボティクス分野における上肢エクストラスケルトンのリアルタイム制御に適した、堅牢で計算コストの低いフレームワークを確立すること。

提案手法

• 時間領域統計、チャネル間相互相関、Burg法を用いたスペクトルバンドパワー、および局所的バイナリパターン（LBP）特徴を含む、8つのsEMGチャネルから276個の特徴を抽出した。
• EMG信号内の判別的パターンをよりよく捉えるために、修正されたスペクトルモーメント比／積を、強化された周波数領域特徴として提案した。
• チャネル間依存関係をモデル化するためのチャネル間相関特徴（ICS）を導入し、分類のロバスト性を向上させた。
• 分類性能最適化を目的として、276個の候補特徴から最も関連性の高い37個の特徴を特定するため、逐次前向選択（SFS）を適用した。
• 分類器として確率的ニューラルネットワーク（PNN）を採用し、多クラス行動データセットを10分割交差検証法で訓練および検証した。
• PNNの性能を、同じ特徴サブセットを用いて多クラスSVM（多項式カーネル）と比較し、ロバスト性と効率性を検証した。

実験結果

リサーチクエスチョン

• RQ1 従来の特徴と比較して、修正されたスペクトルモーメント比／積が、sEMG信号からの身体的行動分類性能を顕著に向上させるか？
• RQ2 チャネル間相関特徴の導入が、sEMGベースの行動分類性能にどのように影響を与えるか？
• RQ3 どのsEMGチャネルが身体的行動の正確な分類に最も寄与しているか？
• RQ4 PNN分類器は、計算負荷を低減しつつ、カーネルベースのSVMと同等またはそれ以上の性能を達成できるか？
• RQ5 提案された特徴セットは、特にフロントキックとサイドキックの間で誤分類が生じやすい類似行動の誤分類をどの程度低減できるか？

主な発見

• 提案された修正スペクトルモーメント比／積（LMF）の導入により、ベースライン特徴セットと比較してCohenのKappa係数が9％向上した。
• チャネル間相関特徴（ICS）を単独で追加した場合、Kappaスコアが4％上昇し、チャネル間ダイナミクスを捉える価値があることが示された。
• LMFとICS特徴の併用により、Kappaに全体で11.75％の改善が得られ、最終的なKappaは0.924、正解率は92.75％に達した。
• 混同行列の結果、通常の行動は高い正答率（例：60試行中58〜60正解）で分類されたが、攻撃的行動ではやや誤分類が増加し、特にフロントキック（クラス19）とサイドキック（クラス12）の間で16例の誤分類が確認された。
• PNN分類器は92.75％の正解率と0.924のKappaを達成し、SVMの91.5％正解率と0.91のKappaに非常に近い性能を示したが、計算コストは低く抑えられた。
• 上肢のEMGチャネルが行動分類において最も関連性が高く、上肢運動のモーターベンチの符号化に優位に寄与していることが判明した。