Surface EMG Applications in Neurophysiology

Merletti, Roberto; Farina, Dario

doi:10.1002/9781119082934.ch12

Cited by 4 publications

(3 citation statements)

References 80 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…35 therefore, a common procedure for the comparison of different experimental conditions is to express the surface EMG amplitude detected during submaximal contractions as a percentage of the value detected during MVc or to express the amplitude detected during MVc relative to the maximal amplitude of the compound muscle action potential (M-wave) induced by electrical stimulation of the motor nerve. 36 the latter normalization approach could be useful in the present study to control for changes in the recording conditions among the three different experimental sequences. however, this procedure has some limitations: in fact, the size of the M-wave is influenced by many factors independent of the number of electrically-activated motor units.…”

Section: Discussionmentioning

confidence: 99%

Contralateral effect of short-duration unilateral neuromuscular electrical stimulation and focal vibration in healthy subjects

Minetto

Botter²,

Gamerro

et al. 2019

Eur J Phys Rehabil Med

View full text Add to dashboard Cite

and rehabilitation, department of surgical sciences, university of turin, turin, italy; 2 laboratory for Engineering of the Neuromuscular system, department of Electronics and telecommunications, politobioMed lab, polytechnic university, turin, italy; 3 physical and rehabilitation Medicine, department of Medical oral and biotechnological sciences, Gabriele d'annunzio university, chieti, italy; 4 human performance lab, schulthess clinic,

show abstract

Section: Discussionmentioning

confidence: 99%

Contralateral effect of short-duration unilateral neuromuscular electrical stimulation and focal vibration in healthy subjects

Minetto

Botter²,

Gamerro

et al. 2019

Eur J Phys Rehabil Med

View full text Add to dashboard Cite

show abstract

“…The EMG sensor adheres to the skin through the bipolar Ag/AgCl surface electrodes. These electrodes are simply made of silver or platinum [30]. The Myoware Muscle sensor is an EMG sensor [31].…”

Section: Introductionmentioning

confidence: 99%

A Virtual EMG Signal Control and Analysis for Optimal Hardware Design

Aljobouri

2022

Int. J. Onl. Eng.

View full text Add to dashboard Cite

Background: A muscle-computer interface is one of the new applications of the human-computer interface technologies and specifically the brain-computer interface. Brain-muscle-computer interface based on the Electromyography (EMG) signal. EMG signal is an electrical activity from a muscle that is used as an input for effecting several tasks.Objective: This work presented an interfacing process between the Graphical User Interface (GUI) and hardware system. Using the implemented system, the researcher shall deals with the raw EMG data easily by analyzing the signal from the muscle sensor detection.Material and Methods: A novel virtual EMG signal control and analysis system design is proposed in this work. The system consists mainly of two parts, hardware and software toolbox. Hardware design is mainly dependent on using a muscle movement sensor as well as the feedback from the virtual toolbox. The virtual software design offers a relatively simple design of a friendly graphical user interface. It consists mainly of the input EMG signal and output signal after using different processing methods. Feedback response from the final EMG signal results after the processing may help the designer to present the optimal hardware design.Results: The output results show the output performance of the proposed virtual EMG data controlling and analysis with the implemented hardware design of the muscle sensor movement detection. The results show promise that these interfaces may provide a new option to benefit the designer in choosing the optimal prosthesis design of severely disabled persons.

show abstract

“…To eliminate these confounding factors, normalization procedures can be used. The most common approach is to express the sEMG as a percentage of the Maximum Voluntary Contraction (MVC) value [14]. The benefit of MVC normalization is that it rescales the signal as a percentage of a unique reference value and allows comparisons between subjects.…”

Section: Data Preparationmentioning

confidence: 99%

Multi-channel EMG pattern classification based on deep learning

Τσίγγανος¹

View full text Add to dashboard Cite

Τα τελευταία χρόνια, ένα τεράστιο σύνολο δεδομένων που παράγονται από διάφορες εφαρμογές σε τομείς όπως τα κοινωνικά δίκτυα και η υγειονομική περίθαλψη έχουν ανοίξει το δρόμο για την ανάπτυξη μοντέλων μηχανικής μάθησης με υψηλή απόδοση. Η βαθιά μάθηση έχει μεταμορφώσει το πεδίο της ανάλυσης δεδομένων βελτιώνοντας δραματικά την ακρίβεια σε εφαρμογές ταξινόμησης και πρόβλεψης. Σε συνδυασμό με τις εξελίξεις στην ηλεκτρομυογραφία, συνέβαλε στην ανάπτυξη νέων εφαρμογών αναγνώρισης χειρονομιών και κινήσεων του χεριού, όπως διεπαφές ανθρώπου υπολογιστή, αναγνώριση νοηματικής γλώσσας, έλεγχο ρομποτικών συστημάτων και παιχνίδια φυσικής αποκατάστασης. Ο σκοπός αυτής της διατριβής είναι να αναπτύξει νέες μεθόδους για την ανάλυση των σημάτων ηλεκτρομυογραφίας με βάση τη βαθιά μάθηση για το πρόβλημα της αναγνώρισης χειρονομιών. Συγκεκριμένα, εστιάζουμε σε μεθόδους για την προετοιμασία δεδομένων και την ανάπτυξη μοντέλων υψηλής απόδοσης, ακόμη και όταν λίγα δεδομένα είναι διαθέσιμα. Τα σήματα ηλεκτρομυογραφίας ανήκουν γενικά στην κατηγορία των μονοδιάστατων χρονοσειρών, έχουν όμως πλούσιο συχνοτικό περιεχόμενο. Διάφορα σύνολα χαρακτηριστικών έχουν προταθεί στη βιβλιογραφία, ωστόσο, λόγω της στοχαστικής φύσης των σημάτων, η ακρίβεια της ταξινόμησης εξαρτάται από το συνδυασμό των χαρακτηριστικών και του ταξινομητή. Από την άλλη πλευρά, η εκπαίδευση των μοντέλων βαθιάς μάθησης μειώνει την προσπάθεια που απαιτείται για την εύρεση των κατάλληλων χαρακτηριστικών και του μοντέλου ταξινόμησης, ωστόσο απαιτείται ακόμη μια σωστή προεπεξεργασία των σημάτων. Ένα άλλο πρόβλημα είναι ότι οι διακυμάνσεις στη διάρκεια της χειρονομίας, στην τοποθέτηση του αισθητήρα και στη φυσιολογία των μυών απαιτούν συνεχή προσαρμογή των εκπαιδευμένων μοντέλων χρησιμοποιώντας νέα καταγεγραμμένα δεδομένα. Αρχικά, παρουσιάζονται οι σχετικές έννοιες και η βιβλιογραφία που αφορούν στο πρόβλημα της ταξινόμησης κινήσεων του χεριού με τεχνικές μηχανικής μάθησης. Η μελέτη του προβλήματος ξεκινά με ένα απλό συνελικτικό νευρωνικό δίκτυο που επιτρέπει τη διερεύνηση των σημαντικών παραμέτρων. Την είσοδο του μοντέλου αποτελούν εικόνες του σήματος που δημιουργούνται με τη μέθοδο των κυλιόμενων παραθύρων και έχουν διαστάσεις που εξαρτώνται από τη διάρκεια του παραθύρου και των αριθμό των αισθητήρων. Στη συνέχεια αναζητήθηκαν τεχνικές που να επιτρέπουν την καλύτερη μοντελοποίηση της χρονικής εξάρτησης των σημάτων. Η χρήση ακολουθιών φράκταλ και συγκεκριμένα της καμπύλης Χίλμπερτ επιτρέπει την αναδίπλωση μιας χρονοσειράς στον 2Δ χώρο διατηρώντας τη γειτνίαση των σημείων και επιτρέποντας το συσχετισμό μακρινών σημείων. Η εκπαίδευση νευρωνικών δικτύων με δεδομένα αυτής της μορφής οδηγεί σε σημαντική βελτίωση της ακρίβειας τους. Η σύγκριση με άλλες καμπύλες φράκταλ φανερώνει την βελτιωμένη απόδοση των νευρωνικών δικτύων που χρησιμοποιούν την καμπύλη Χίλμπερτ. Επιπλέον, παρουσιάζεται ένα συνελικτικό δίκτυο που επιτρέπει τη χρήση πολλαπλών επιπέδων της καμπύλης φράκταλ συμβάλλοντας στην εκπαίδευση μοντέλων με λιγότερες παραμέτρους χωρίς να επηρεάζεται αρνητικά η ακρίβεια. Ακολουθεί η μελέτη χρονικών συνελικτικών δικτύων τα οποία προτιμώνται για την καλύτερη απόδοση τους σε σχέση με τα αναδρομικά δίκτυα. Η ανάλυση των εξαγόμενων χαρακτηριστικών δείχνει την ικανότητα αυτών των δικτύων στη μοντελοποίηση χρονοσειρών. Για την ταξινόμηση χρησιμοποιείται ως τελευταίο στάδιο της αρχιτεκτονικής ένα επίπεδο προσοχής που συνοψίζει τα πιο σημαντικά χαρακτηριστικά του σήματος. Στη συνέχεια της διατριβής παρουσιάζεται η συστηματική μελέτη τεχνικών επαύξησης δεδομένων. Αρχικά, αναλύονται οι σχετικές μελέτες στη βιβλιογραφία που αφορούν την αύξηση δεδομένων χρονοσειρών καθώς και μοντέλα προσομοίωσης σημάτων ηλεκτρομυογραφίας. Από τις τεχνικές που βρέθηκαν στη βιβλιογραφία αξιολογούνται η πρόσθεση Γκαουσιανού θορύβου, η στρέβλωση του πλάτους του σήματος, καθώς και δύο τεχνικές που αφορούν στη δημιουργία τεχνητών σημάτων. Επίσης, γίνεται χρήση της αποσύνθεσης του σήματος με τη χρήση της αποσύνθεσης κυματίων, ενώ παρουσιάζονται τρεις διαφορετικοί τρόποι συνδυασμού των παραπάνω τεχνικών. Τόσο η ποιοτική όσο και η ποσοτική ανάλυση των αποτελεσμάτων σε δύο διαφορετικές βάσεις δεδομένων δείχνουν ότι αυτές οι μέθοδοι μπορούν να βελτιώσουν σημαντικά την αναγνώριση των κινήσεων. Έπειτα, εξετάζονται οι τεχνικές μεταφοράς μάθησης με σκοπό την ανάπτυξη μοντέλων ακόμα και όταν λίγα δεδομένα είναι διαθέσιμα. Αναπτύσσεται μια πειραματική διαδικασία για την αξιολόγηση της βελτιστοποίησης ταυτόχρονων εργασιών. Η υπόθεση που διερευνάται είναι εάν η χρήση βοηθητικών εργασιών, όπως η εκτίμηση της παραγόμενης δύναμης κατά την εκτέλεση των κινήσεων, μπορεί να βελτιώσει την κύρια εργασία που είναι η σωστή ταξινόμηση της κίνησης. Μια εναλλακτική μέθοδος είναι η προσαρμογή πεδίου. Συγκεκριμένα υποθέτουμε ότι ένα νευρωνικό δίκτυο εκπαιδευμένο για την ταξινόμηση των κινήσεων σε μία βάση δεδομένων μπορεί να εξάγει χαρακτηριστικά που να είναι χρήσιμα για την ταξινόμηση των κινήσεων μιας άλλης βάσης δεδομένων. Παράλληλα διερευνάται και η επίδραση της προεπεξεργασίας στην εκπαίδευση των μεταφερόμενων μοντέλων. Τα αποτελέσματα παρουσιάζουν σημαντική βελτίωση για το στάδιο προεπεξεργασίας που διατηρεί μόνο την ανερχόμενη φάση του σήματος, πράγμα που σημαίνει ότι γίνεται σωστή πρόβλεψη της εκτελούμενης κίνησης χρησιμοποιώντας ένα ποσοστό της διάρκειας του σήματος. Επιπλέον, διαφορές στην απόδοση εντοπίζονται μεταξύ των νευρωνικών δικτύων. Η διατριβή ολοκληρώνεται με την περίληψη των σημαντικών συμπερασμάτων καθώς και με προτάσεις για μελλοντική έρευνα.

show abstract

Surface EMG Applications in Neurophysiology

Cited by 4 publications

References 80 publications

Contralateral effect of short-duration unilateral neuromuscular electrical stimulation and focal vibration in healthy subjects

Contralateral effect of short-duration unilateral neuromuscular electrical stimulation and focal vibration in healthy subjects

A Virtual EMG Signal Control and Analysis for Optimal Hardware Design

Multi-channel EMG pattern classification based on deep learning

Contact Info

Product

Resources

About