Impact of sEMG Time-series Segmentation Parameters on the Recognition of Hand Gestures

A eletromiografia de superficie (EMs) tem sido um sinal amplamente pesquisado para o controle de proteses. Esse processo e baseado nas etapas de processamento de sEMG como segmentacao, extracao de caracteristicas e classificacao, que reconhece esses biossinais em gestos a serem realizados para a protese. Dentre esses processos, a segmentacao e uma etapa fundamental, porem algumas variaveis nao sao exploradas, com o objetivo de melhorar o desempenho da classificacao. Neste trabalho, analisou-se a influencia da segmentacao sobreposta da EMGs no reconhecimento de padroes para gestos manuais utilizados para controlar uma protese de flexao superior. Dados de seis gestos comumente usados foram adquiridos pela bracadeira comercial de 8 canais (Myo Thalmic Labs) de 7 individuos no antebraco. Os parâmetros de segmentacao avaliados foram o comprimento da janela, a fracao de sobreposicao e o comprimento total do sinal (truncamento). Foram extraidas quatro caracteristicas do dominio do tempo : escala L, comprimento maximo do fractal, valor medio do quadrado da raiz e amplitude de Willison. Os classificadores Linear Discriminand Analisis e K-Nearest Neighbor foram utilizados para reconhecer os gestos. O teste de Wilcoxon foi realizado para avaliar diferenca significativa da distribuicao dos resultados (p <0,05). Os melhores resultados obtidos no classificador foram obtidos com o classificador KNN, com as seguintes especificacoes: janela de 0,45s, fracao de sobreposicao de 25% e truncamento de 100%, com 97,4% de precisao. Observou-se que, aumentando o comprimento da janela, a precisao dos classificadores tambem aumenta. A taxa de sobreposicao apresenta algumas diferencas significativas na distribuicao, onde etapas menores de sobreposicao melhoram a precisao. Em relacao ao truncamento, a combinacao do inicio e da ultima parte do sinal (nao apenas o inicio) contem as informacoes uteis para o reconhecimento de padroes.