Features selection for estimating hand gestures based on electromyography signals

Abstract

Hand prosthesis controlled by surface electromyography (sEMG) is promising due to the control capabilities and the noninvasive technique that machine learning (ML) offers to help physically disabled people during daily life. Nevertheless, dexterous prostheses are still infrequently popular due to control problems and limited robustness. This paper proposes a new set of time domain (TD) features to improve the EMG pattern recognition performance. The effect of five feature sets is evaluated based on the three classifiers k-nearest neighbor (KNN), linear discriminate analysis (LDA), and support vector machine (SVM). The EMG signals are obtained from database-5 (DB5) of the ninapro project datasets. In this study, the long-term signals of DB5 are segmented into short-term signals to perform short-term recognition. The results showed that the LDA classifier based on the proposed features achieved high classification accuracy for classifing 17 gestures. The LDA classifier achieved about 96.47% compared to 94.12%, and 93.82% for KNN and SVM classifiers, respectively. The results confirm that the suitable features extracted from short term signals with the appropriate classifier, has an important impact on improving the performance of gesture classification.

Evaluación de la eficacia de PCA e ICA en la mejora del reconocimiento de movimientos musculares a partir de señales EMG crudas

“…La electromiografía son registros de la actividad eléctrica de los músculos como un efecto de las contracciones realizadas, con estas señales se han realizado estudios enfocados a descubrir la forma en que se realiza el control muscular con el fin de generar controles artificiales de los movimientos de la mano. Por lo cual se ha buscado analizar los movimientos desarrollando modelos matemáticos para clasificarlos, para crear estos modelos es necesario contar con datos, sin embargo, algunos grupos de investigación se enfocan a desarrollar dispositivos de adquisición [6,8], otros cuentan con dispositivos comerciales especializados [11][12][13], pero la gran mayoría hace uso de bases de datos publicadas por estos dos grupos de investigaciones donde se prueba y analiza la información proporcionada [14][15][16][17]. Por lo tanto, actualmente hay un número limitado de bases de datos, de las cuales podemos categorizarlas en función a sus características, ventajas y desventajas.…”