[論文レビュー] Recognition of basic hand movements using Electromyography

Christos Sapsanis|arXiv (Cornell University)|Oct 23, 2018

Muscle activation and electromyography studiesEngineering参考文献 5被引用数 17

ひとこと要約

本研究では、表面筋電図（sEMG）信号を用いて6つの基本的手の動きを認識するためのシステムを提案する。ノイズ低減に実験的モード分解（EMD）を採用し、特徴選択および次元削減にRELIEFおよびPCAを用い、商業用Delsysシステムでは80%以上の分類精度を達成した。また、自作のArduinoベースのEMGグローブでは75%の精度を達成した。

ABSTRACT

The aim of this work was to identify six basic movements of the hand using two systems. Being an interdisciplinary topic, there has been conducted studying in the anatomy of forearm muscles, biosignals, the method of electromyography (EMG) and methods of pattern recognition. Moreover, the signal contained enough noise and had to be analyzed, using EMD, to extract features and to reduce its dimensionality, using RELIEF and PCA, to improve the success rate of classification. The first part uses an EMG system of Delsys initially for an individual and then for six people with the average successful classification, for these six movements at rates of over 80%. The second part involves the construction of an autonomous system EMG using an Arduino microcontroller, EMG sensors and electrodes, which are arranged in an elastic glove. Classification results in this case reached 75% of success.

研究の動機と目的

• 表面筋電図（sEMG）信号を用いて6つの基本的手の動きを分類する信頼性の高い手法を開発すること。
• sEMG信号に高いノイズレベルが生じるという課題に対し、効果的な前処理および特徴抽出により対処すること。
• Arduinoマイコンとウェアラブル電極を用いて低コストで自律的なEMGシステムを設計・評価すること。
• 高精度な商業用EMGシステムと自作プロトタイプとの間で分類性能を比較すること。
• RELIEFおよびPCAによる次元削減によって分類精度を向上させること。

提案手法

• 商業用Delsys EMGシステムおよび表面電極を備えた自作のArduinoベースのウェアラブルグローブを用いて、前腕筋からのsEMG信号を取得した。
• ノイズの強いsEMG信号を内因的モード関数（IMFs）に分解し、意味のある特徴を抽出するために実験的モード分解（EMD）を適用した。
• 異なる手の動きのクラスを区別する能力に基づいて、特徴の重要度を順位付けし、最も特徴的な特徴を選択するためにRELIEFアルゴリズムを用いた。
• データ内の最大分散を保持しつつ特徴次元を削減するために、主成分分析（PCA）を適用した。
• パターン認識アプローチを用いて手の動きを分類し、複数の被験者を対象に性能を評価した。
• Arduinoマイコン、EMGセンサ、伸縮性グローブを用いて、低コストで自律的なEMGシステムを設計・実装した。

実験結果

リサーチクエスチョン

• RQ1 商業用および自作のシステムを用いて、sEMG信号が6つの基本的手の動きを信頼性を持って分類できるか？
• RQ2 実験的モード分解（EMD）は、生のsEMG信号からのノイズ低減および特徴抽出にどの程度効果的か？
• RQ3 特徴選択（RELIEF）および次元削減（PCA）は、分類精度をどの程度向上させるか？
• RQ4 高精度な商業用EMGシステムと低コストのArduinoベースのプロトタイプとの間で、性能差はどの程度か？
• RQ5 ウェアラブルで自律的なEMGシステムは、手の動き認識において臨床的または実用的な応用に十分な分類精度を達成できるか？

主な発見

• Delsysシステムを用いた場合、1名の被験者および6名の被験者に対して、6つの手の動きすべてで平均80%以上の分類精度を達成した。
• 自作のArduinoベースのEMGシステムは75%の分類精度を達成し、低コストなウェアラブルシステムの実現可能性を示した。
• EMDはノイズを効果的に低減し、生のsEMG信号から関連する信号成分を抽出することができ、特徴の質を向上させた。
• RELIEFとPCAの組み合わせにより、特徴次元を顕著に削減しつつも、高い分類性能を維持できた。
• 適切な前処理および特徴工学を施した場合、sEMGはリアルタイムでの手の動き認識に実用的な選択肢であることが確認された。
• 本研究の結果は、補装、リハビリテーション、ヒューマンコンピュータインタラクションの分野に適した低コストでウェアラブルなEMGシステムの設計を裏付けた。