Estratégia de caracterização de sinais eletromiográficos baseada em redes neurais artificiais para sistemas de controle de máquinas de movimento contínuo

Abstract

Os seres humanos sofrem frequentemente de lesões nos membros inferiores, principalmente as relacionadas aos movimentos diários, sendo o envelhecimento um fator de risco. Isso afeta a saúde e submete o corpo humano a intervenções cirúrgicas e terapias indesejáveis. Nesse cenário, os objetivos deste trabalho são: (a) usar rede neural artificial (RNA) para identificar e classificar padrões musculares com base em sinais eletromiográficos (EMG) e (b) usar a decisão de saída da RNA para controlar uma Máquina Movimento Passivo (CPM, do termo em inglês: Continuous Passive Movement) durante uma sessão de fisioterapia do paciente. A estratégia usa eletromiografia de superfície combinada com um método de aprendizado supervisionado e inteligência artificial (IA) para criar um sinal de 𝑓𝑒𝑒𝑑𝑏𝑎𝑐𝑘 que permite que esses dispositivos funcionem no modo de Movimento Ativo Contínuo (CAM, do termo em inglês: Continuous Active Movement). Métodos: Este trabalho utilizou 300 sinais EMG coletados do músculo vasto lateral de 10 indivíduos saudáveis para desenvolver um sistema classificador de força. O núcleo do classificador é composto por uma rede neural treinada (𝑏𝑎𝑐𝑘𝑝𝑟𝑜𝑝𝑎𝑔𝑎𝑡𝑖𝑜𝑛). Os sinais EMG são classificados em níveis de força pré-definidos, que por sua vez são usados como entradas para controlar uma máquina de CPM.Assim, existe uma correspondência direta entre cada um dos níveis de força pré-definidos e o deslocamento linear da máquina CPM. Resultados: A RNA treinada classifica, em tempo real, sinais EMG em níveis de força com precisão de 81% com eficiência computacional. Após receber os níveis de força pré-definidos da saída da RNA, o atraso que o sistema de controle mecânico leva para ajustar a máquina de CPM é inferior a 100 segundos. Conclusão: A assertividade baseada em IA da estratégia proposta nos permite considerar a extensão do uso de sinais EMG de músculo único para pavimentar o caminho para o controle de outras máquinas biomecânicas em um futuro próximo.

Human beings often suffer from lower limb injuries which are mostly related to aging and daily-motion. This impacts health and exposes human body to undesirable surgical interventions and therapies. In this scenario, the goal of this work is twofold: (a) use artificial neural network (ANN) to identify and classify muscle usage patterns based on electromyographic (EMG) signals, and (b) use the ANN’s output decision to control a Continuous Passive Motion (CPM) machine during a patient physiotherapy session. The strategy uses surface electromyography (sEMG) combined with a supervised learning method and artificial intelligence (AI) to create a feedback signal which allows these devices to function in Continuous Active Motion (CAM) mode. Methods: This work used 300 EMG signals collected from the vastus lateralis muscle of 10 healthy individuals to develop a strength classifier system. The core’s classifier is composed of a trained (backpropagation) feedforward neural network. The EMG signals are classified into predefined force levels, which in turn are used as inputs to control a CPM machine. Thus, there is a direct correspondence between each of the predefined force levels and the CPM machine linear displacement. Results: The trained ANN classifies, at real-time, EMG signals into force levels at 81 % accuracy with computational efficiency. After receiving the predefined force levels from the ANN’s output, the delay of the mechanical control system to adjust the CPM machine is less than 100 seconds. Conclusion: The AIbased assertiveness of the proposed strategy allows us to consider extending the use of single muscle EMG signals to pave the way for controlling another biomechanical machines in a near future.