Methodische Untersuchungen zur simultanen Optimierung von Vorverarbeitungseinheit und Klassifikation für die automatische Mustererkennung im Oberflächen-EMG

Summary

For the first time, a pattern recognition unit for the analysis of surface-EMGs will be introduced and tested, which performs automatic classification according to a given arrangement of classes (supervised learning) and where the filter characteristics of preprocessing are simultaneously optimized during the training process of the classifier (Neural Network).

A multi-channel recording (16 channels) of surface-EMG from the M. masseter was carried out during clenching with a constant chewing force (2 min). The adaptive estimation of the spectral band power (momentary power) and the frequency of the signal component with the highest amplitude (momentary frequency) were used as preprocessing algorithms. By means of the momentary frequency parameter, the known decrease of frequency during muscle fatigue could be characterized in each proband. For the whole group of probands the discrimination of the fatigue situation was possible if a Neural Network had been trained with the momentary frequency as an input parameter.

If the momentary power is added as an input parameter and the optimal frequency range will be determined during the training of the Neural Network, then the results of reclassification and classification will be improved. In this way, optimization of the frequency range is performed for the estimation of momentary power in which the highest difference of power can be guaranteed to discriminate between the given classes (fatigue situations). As the pattern recognition unit can be trained for the group of probands, it can be used for EMG classification in other (unknown) probands.

Zusammenfassung

Für die automatische Analyse des Oberflächen-EMG wird erstmalig eine Mustererkennungseinheit vorgeschlagen und getestet, die eine automatische Klassifikation mit vorgegebener Klasseneinteilung (überwachtes Lernen) realisiert und bei der die Filtereigen-schaften der Vorverarbeitung automatisch während des Lernprozesses des Klassifikators optimiert werden.

Während kraftkonstanten Zubeißens (2 min) wurde das Oberflächen-EMG lökanalig am M. masseter registriert. Die adaptive Schätzung der spektralen Bandleistung (Momentanleistung) und der Frequenz des Signalanteils mit höchster Amplitude (Momentanfrequenz) sind zur weiteren Verarbeitung eingesetzt worden. Mittels Momentanfrequenz kann die bekannte spektrale Frequenzverminderung bei Muskelermüdung für jeden Probanden gekennzeichnet werden und durch Anlernen eines Neuronalen Netzes (Eingangsparameter ist Momentanfrequenz) ist die automatische Unterscheidung von Ermüdungssituation für die untersuchte Probandengruppe möglich. Es treten jedoch Fehler bei der Reklassifikation auf.

Wird die Momentanleistung als Eingangsparameter hinzugenommen und während des Anlernens der optimale Frequenzbandbereich für deren Berechnung bestimmt, so verbessern sich die Reklassifikations- und Klassifikationsergebnisse. Für die Momentanleistungsberechnung erfolgt somit eine Optimierung für den Frequenzbereich, der den höchsten Unterschied in der Leistung garantiert, um die vorgegebenen Klassen (Situationen) trennen zu können. Da sich die Mustererkennungseinheit für die Probandengruppe anlernen läßt, kann sie für die EMG-Signalklassifikation bei anderen (unbekannten) Probanden eingesetzt werden.

Key words

Muscle fatigue - Surface EMG - Pattern recognition - Neural networks - Adaptive preprocessing - Simultaneous optimization