[논문 리뷰] A Novel Feature Extraction for Robust EMG Pattern Recognition

Angkoon Phinyomark, Chusak Limsakul외 1명|ArXiv.org|2009. 12. 20.

Muscle activation and electromyography studies참고 문헌 21인용 수 355

한 줄 요약

이 논문은 잡음 환경에서 강건한 전기근전도도(pattern recognition)를 위한 새로운 특징 추출 방법인 평균 주파수 및 중앙 주파수(MMNF 및 MMDF)를 제안한다. 노이즈 제거 전처리가 필요 없음에 따라, MMNF는 0 dB SNR에서 약한 EMG 신호에서 5–10%의 오차를 기록하며, 다른 특징들이 초과 20%의 오차를 보이는 것과 비교해 백색 가우시안 노이즈(WGN)에 대해 훨씬 뛰어난 강건성을 입증한다.

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.

연구 동기 및 목표

• 기존 특징 추출 방법의 성능 저하를 초래하는 백색 가우시안 노이즈(WGN) 문제를 해결한다.
• 사전 노이즈 제거가 필요 없는 내재적 강건성을 지닌 특징 추출 기법을 개발한다.
• 특히 저강도(약한) EMG 신호에서 다양한 신호 대 노이즈 비율(SNR) 조건 하에서 제안된 특징의 성능을 평가한다.
• MMNF, 히스토그램, Willison 진폭을 포함한 복합 특징 벡터를 사용하여 노이즈 환경에서의 분류 정확도 향상을 입증한다.

제안 방법

• EMG 신호의 전력 스펙트럼 밀도에서 유도된 주파수 기반 특징 두 가지인 평균 주파수(MMNF) 및 중앙 주파수(MMDF)를 제안한다.
• 노이즈 필터링 알고리즘에 의존하지 않도록, 전처리 없이 원시 EMG 신호에 직접 특징을 적용한다.
• 분류를 위해 MMNF, EMG 진폭 히스토그램, Willison 진폭의 조합을 복합 특징 벡터로 사용한다.
• 백색 가우시안 노이즈를 추가하여 20 dB부터 0 dB까지 다양한 SNR 조건에서 성능을 평가한다.
• 표준 분류 기법(SVM 또는 유사 기법 등)을 적용하여 제안된 특징 집합을 사용한 인식 정확도를 평가한다.
• 노이즈 조건 하에서 16개의 기존 EMG 특징과 비교하여 제안된 특징의 분류 오차를 평가한다.

실험 결과

연구 질문

• RQ1 MMNF 및 MMDF는 사전 노이즈 제거 없이도 백색 가우시안 노이즈 존재 하에서 강건한 EMG 패턴 인식 성능을 제공할 수 있는가?
• RQ2 특히 약한 EMG 신호에서 저SNR 조건 하에서 MMNF는 다른 기존 EMG 특징들과 비교해 분류 오차가 어떻게 다른가?
• RQ3 MMNF를 히스토그램 및 Willison 진폭과 조합하면 개별 특징 또는 다른 특징 조합 대비 노이즈 환경에서 분류 정확도가 향상되는가?
• RQ4 SNR이 20 dB에서 0 dB로 감소함에 따라 MMNF의 성능 저하 정도는 다른 특징들과 비교해 어떠한가?
• RQ5 기존 특징들이 실패하는 매우 높은 노이즈 조건(0 dB SNR)에서도 MMNF는 낮은 오차율을 유지할 수 있는가?

주요 결과

• 0 dB SNR에서 약한 EMG 신호에서 MMNF는 5–10%의 분류 오차를 기록하였으며, 다른 특징들이 20% 이상 오차를 보이는 것과 비교해 뚜렷한 우수성을 입증하였다.
• 강한 EMG 신호에서도 MMNF는 평가된 모든 다른 특징보다 낮은 분류 오차를 보였으며, 다양한 신호 진폭에서의 강건성을 확인하였다.
• MMDF 및 히스토그램 특징은 0 dB SNR에서 MMNF와 유사한 성능을 보였으며, 오차 범위가 5–10%로 나타나 강력한 노이즈 내성 특성을 지녔다.
• MMNF, 히스토그램, Willison 진폭의 조합은 개별 특징이나 다른 특징 조합보다 노이즈 환경에서 더 우수한 분류 성능을 보였다.
• 제안된 방법은 전처리 단계의 노이즈 제거가 필요 없어져 EMG 인식 파이프라인을 단순화하면서도 내성 강도를 향상시켰다.
• MMNF는 특히 저SNR 조건에서 뛰어난 성능을 보이며, 노이즈가 피할 수 없는 실세계 EMG 응용 분야에 적합하다.