Resumen-En este trabajo se propone un enfoque difuso para clasificar electromiografía de sitio único (EMG) señales para el control de prótesis multifuncional. Si bien el problema de clasificación es el foco de este trabajo, el objetivo final es mejorar el rendimiento de control del sistema mioeléctrica, y la clasificación es un paso esencial en el control. Características horarias segmentadas se alimentan a un sistema difuso para el entrenamiento y la clasificación. Con el fin de obtener la velocidad de formación aceptable y realista estructura de sistema difuso, estas características se agrupan sin supervisión utilizando el algoritmo básico Isodata al comienzo de la fase de entrenamiento, y los resultados de la agrupación se utilizan en la inicialización de los parámetros del sistema difusos. Después, reglas difusas en el sistema se entrenan con el algoritmo de retro propagación. El enfoque fuzzy se comparó con un método de redes neuronales artificiales (ANN) en cuatro sujetos, y se obtuvieron resultados de la clasificación muy similares. Es superior a este último en al menos tres puntos: ligeramente más alta tasa de reconocimiento; insensibilidad a sobre entrenamiento; y salidas consistentes demostrando una mayor fiabilidad. También se discuten algunas posibles ventajas del enfoque difuso sobre el enfoque ANN.
- INTRODUCCIÓN
La electromiografía (EMG) de reconocimiento de patrones se ha aplicado en el control de prótesis para amputados. El control se basa en el hecho de que los amputados todavía tienen el espectro de funciones y por lo tanto son capaces de generar un repetible (aunque quizás variando gradualmente) patrón EMG correspondiente a cada una de las funciones. Sistemas de clasificación EMG enumerados anteriormente sufren de uno o más de los siguientes inconvenientes: gran número de electrodos; sensibilidad al electrodo de desplazamiento; tasa de reconocimiento de baja; retraso perceptible en el control (retardo de 300 ms; un intervalo de 200 a 300 ms es un retraso máximo clínicamente reconocido que los usuarios encuentren aceptable antes de que se sienten frustrados con la lenta respuesta de la prótesis [17]). El sistema propuesto por Hudginset al [5] ha resuelto la mayor parte de las dificultades anteriores.; sin embargo, su tasa de reconocimiento está sujeto dependiente, que van desde 70 a 98%. Hemos observado que el éxito del método se debe principalmente a las características seleccionadas de manera apropiada y las señales biomédicas no siempre son estrictamente repetible, y pueden a veces incluso contradictorias. Una de las propiedades más útiles de los sistemas de lógica difusa es que las contradicciones en los datos pueden ser tolerados. Es posible integrar este conocimiento incompleto pero valioso en el sistema de lógica difusa debido al estilo de razonamiento del sistema, que es similar a la de un ser humano. Esto es una ventaja significativa sobre la red neural artificial (ANN). Con el fin de buscar una solución mejorada para el problema de clasificación EMG, el proyecto se basa principal mente en el reconocimiento EMG de Hudginset ([5] electrodos que, consisten de un solo canal diferencial con un electrodo activo sobre cada uno de los músculos tríceps braquial y bíceps).
[pic 1] Fig. 1. EMG estrategia de clasificación por el enfoque ANN.
[pic 2] [pic 3] En nuestra implementación (Fig. 4), el cuadrático medio-error (MSE) sobre los cuatro sistemas subfuzzy, con la salida de cada [pic 4] Fig. 3. Representación de red de sistema de lógica difusa (? Fz es la fuzzfier gaussiano, wherej = 1; 2; ...; M; i = 1; 2; ...; n Véase el texto para más detalles.).
B. Selección de características
En este trabajo, la señal EMG se divide en varios segmentos adyacentes. Cada segmento de tiempo es la duración se utilizan de 40 ms y seis segmentos, de modo que un total 4 * 6 = 24 de características se extraen de 240 ms de la señal de EMG. Las características utilizadas son: MAV1, MAVSLP1, ZC1, WC1, MAV2,, WC2, MAv3,, WC3, MAV4,, WC4, MAV5,, WC5, MAV6,, WC6. En comparación, cinco segmentos (es decir, total 200 ms) de la señal de EMG fueron utilizados por Hudginset al. [5]. En este trabajo, utilizamos seis segmentos (es decir, 240 ms) en lugar de cinco para recoger más información.
C. Estructura del Sistema, Capacitación y Clasificación
La estructura esquemática del enfoque difuso es similar a la del enfoque ANN como en la Fig. 1, excepto que el bloque de ANN se reemplaza con el sistema de lógica difusa. Fig. 4 ilustra el enfoque fuzzy. El "Sistema de Lógica Difusa" bloque se compone de cuatro subsistemas paralelos similares a la figura. 3 de la generación OUT_EX, OUT_FL, Out_Pr y OUT_SP, que representan el nivel de activación de cada función, respectivamente. La lógica de salida genera el resultado de la clasificación final. El "Basic Isodata para inicialización" bloqueo se activa con el fin de inicializar los conjuntos borrosos del sistema antes de la fase de entrenamiento. Cuando MSE es inferior a un umbral preestablecido [generalmente 0.1-0.3, véase la Fig. 5 (b)], el
D. Problema de convergencia e inicialización del sistema Fuzzy
En términos generales, la RNA es capaz de conversar bien debido a la naturaleza global de la función de las neuronas-activación sigmoidea utilizado. Sin embargo, con una función en forma de Gauss hay convergencia rápida o bien se garantiza sin inicialización apropiada. Basándose en esta idea, centroide y la anchura del conjunto difuso se ha inicializado utilizando los resultados de la siguiente algoritmo básico Isodata:
[pic 5] Fig. 7. (tasa de aprendizaje: 0,25; formación MSE = 0,1) (a) de salida del sistema SIG-ANN. (tasa de aprendizaje: 0.015; formación MSE = 0,2) (b) de salida del sistema ISO-FUZ. Tasa de clasificación correcta: 91.3% (7 ensayos mal clasificados o rechazadas en la categoría de pronación). TABLA III VARIACIONES DE SALIDA DE CLASIFICADORES: SIG-Annvs. ISO-FUZ [pic 6] Fig. 8. Comparación de los SIG-ANN e ISO-FUZ por la tasa de errores de clasificación frente al umbral de decisión en las salidas
En la Fig. 5. Se encontró que ISO-FUZ es menos sensible a sobre entrenamiento cuando se compara con SIG-ANN. En ambos métodos, el error cuadrático medio (MSE) sobre el conjunto de entrenamiento disminuyó a medida que la época de formación aumentó. Definimos B, el aumento de la amplitud de la tasa de error, como la medida del efecto secundario sobre-entrenamiento: [pic 7] donde es la tasa de error de la prueba después de épocas n de capacitación.[pic 8] |
y una ANN para un sitio de control de prótesis multi-funcional. La estrategia de clasificación se ilustra en la Fig. 1. Las cuatro funciones para ser clasificados y controlados fueron: 1) LBOW extensión, 2) la flexión del codo, 3) la pronación de la muñeca, y 4) la supinación de la muñeca. Tasa de clasificación correcta del sistema fue de entre el 70 y el 98% entre los 80 patrones de prueba presentados después de una formación inicial de la red. La señal EMG fue adquirida por un solo par electrodo bipolar colocado en el bíceps y el tríceps. La media móvil de la señal se controló. Cuando se excede un umbral, 200 muestras (a 1 kHz de frecuencia de muestreo) de la EMG fueron almacenados. Las señales de EMG fueron divididos en varios segmentos de tiempo para preservar la estructura de modelo, y las características se extrajeron de estos segmentos.
- EMG CLASIFICACIÓN CON UN SISTEMA DE LÓGICA DIFUSA ENTRENABLE
En el soft computing última década, compuesto principalmente de la lógica difusa, redes neuronales y algoritmos genéticos. A diferencia de la computación duro tradicional, soft computing explota la tolerancia de la imprecisión, la incertidumbre y la verdad parcial para lograr soluciones manejables, robusto y de bajo costo a los problemas de decisión. La red neuronal es capaz de aprender a través de los datos adquiridos y para hacer generalizaciones sobre nuevos datos que viene en, y el proceso de decisión humana así imitar hasta cierto punto. [pic 9]
En resumen, los enfoques de Soft Computing son buenos para hacer frente a situaciones definidas de forma imprecisa, de manera modelo libre, sin tener que modelar un sistema de antemano. En otras palabras, son suficientemente "suaves”" para ser modelos versátiles. En el método difuso, no se hace nada al azar.
Después de que el sistema está capacitado, el bloque de inicialización se desactiva, y todo el sistema está listo para la clasificación.
A. Estructura y Formación de Sistema Fuzzy
El sistema difuso que se utiliza en el presente documento ha sido reportado por Wang [18]. El sistema de lógica difusa con el centro defuzzificador promedio, regla del producto inferencia, fuzzificador no singleton, y función de pertenencia gaussiana puede ser descrita por la siguiente función [18]:
- Aleatoriamente elegir entradas de datos de entrenamiento (24-dimensionales) como valores iníciales para los medios m1, m2 ....... mc, donde es el número de clúster que desee, por lo general varía del 8 al 14 de este problema.
[pic 10] lazo: - Que dices todas las muestras de entrenamiento asignándolos a la clase de la media más cercana.
- Re calcular los medios a través de los promedios de las muestras de su clase.
- Si cualquier medio cambio valor, vaya a lazo de lo contrario vaya al paso 5).
- Asignar la media de cada grupo a [pic 11], el centro de gravedad del correspondiente conjunto difuso; calcular radios media de cada grupo y asignar estos valores [pic 12], a las anchuras de los conjuntos difusos.
Inicialización que el anterior resultó ser una forma muy efectiva para asegurar una buena convergencia en el proceso de formación.
III. RESULTADOS EXPERIMENTALES
Denotamos el método de clasificación EMG red neuronal con la función de activación sigmoide propuesto por Hudginset al [5] ASSIG-ANN.; y el método de clasificación sistema difuso EMG [pic 13] Fig. 6. Comparación de las tasas de reconocimiento EMG por SIG-ANN e ISO-FUZ
se propone en este trabajo de ISO-FUZ, que se inicia con el algoritmo básico Isodata y entrenado con el algoritmo de retro propagación. El entrenamiento vs tamaño del conjunto al menos 160 ensayos compuestos por cuatro categorías de funciones en los datos de cada sujeto establecidos. Tanto el método SIG-ANN y el método ISO-FUZ se aplicaron a los conjuntos de datos. Se midieron las (correctas) las tasas de reconocimiento de los dos enfoques, y se comparan en la Fig. 6. Las tasas están cerca, con la norma ISO-FUZ siendo ligeramente superior. Fig. 7 demuestra las salidas de la norma ISO-FUZ comparación con salidas SIG-ANN para cada ensayo de prueba de la misma materia de
IV. DISCUSIÓN
El método ISO-FUZ propuesta en este trabajo se comparó con SIG-ANN sobre el mismo conjunto de datos y la misma característica TABLA IV TASA DE ERROR CAUSADO POR SOBRE-ENTRENAMIENTO CON B DEFINE EN EL TEXTO [pic 14]
A. La superioridad de la norma ISO-FUZ
Las principales ventajas de la norma ISO-FUZ demostrado en este trabajo son una mejor consistencia de salida, la tolerancia umbral más amplio, y el riesgo de sobre entrenamiento inferior. Los conjuntos difusos son entonces han ajustado a través del algoritmo de retro propagación.
B. Capacitación Comparación Tiempo
Los algoritmos fueron implementados en un PC Pentium en Turbo C. La complejidad computacional de SIG-ANN e ISO-FUZ en cada época de formación se tabulan en la Tabla II. El análisis muestra que el costo de tiempo ISO-FUZ por época es aproximadamente 12,7 veces más que el de SIG-ANN para llegar a un resultado óptimo clasificación.
C. Situaciones Sobre-Entrenamiento
En términos generales, hay poco efecto secundario sobre-entrenamiento para la norma ISO-FUZ, mientras SIG-ANN puede sufrir más fácilmente de sobre-entrenamiento.
V. CONCLUSIÓN
En este trabajo se ha propuesto un nuevo enfoque difuso para clasificación de patrones EMG. El proceso de formación y clasificación resultados del método propuesto son superiores a las de un enfoque basado en la red neuronal, principalmente en que el sistema difuso da resultados de la clasificación más consistentes y es insensible a la sobre-entrenamiento. Estas características pueden ser atribuidas a la estructura del sistema ISO-FUZ y la selección "supervisada" de los datos de inicialización conjunto difuso por el algoritmo básico Isodata. Más favorablemente, puede adoptar experiencia experto al mismo tiempo por unidades borrosos adicionales en paralelo. El enfoque difuso descrito en este documento se puede aplicar universalmente a otros problemas de clasificación también. Las tasas de clasificación por ISO-FUZ son sujeto dependiente como en el método SIG-ANN evaluado, aunque con una ligera mejora. Nuestro objetivo es alcanzar el 95% con la función de selección correspondiente.
Bibliografía
Francis H. Y. Chan, Yong-Sheng Yang, F. K. Lam, Yuan-Ting Zhang, and Philip A. Parker
Nombre estudiante
Marcelo Carrillo L. |
