A novel method for EMG decomposition based on matched filters

Abstract

Introduction: Decomposition of electromyography (EMG) signals into the constituent motor unit action potentials (MUAPs) can allow for deeper insights into the underlying processes associated with the neuromuscular system. The vast majority of the methods for EMG decomposition found in the literature depend on complex algorithms and specific instrumentation. As an attempt to contribute to solving these issues, we propose a method based on a bank of matched filters for the decomposition of EMG signals. Methods: Four main units comprise our method: a bank of matched filters, a peak detector, a motor unit classifier and an overlapping resolution module. The system's performance was evaluated with simulated and real EMG data. Classification accuracy was measured by comparing the responses of the system with known data from the simulator and with the annotations of a human expert. Results: The results show that decomposition of non-overlapping MUAPs can be achieved with up to 99% accuracy for signals with up to 10 active motor units and a signal-to-noise ratio (SNR) of 10 dB. For overlapping MUAPs with up to 10 motor units per signal and a SNR of 20 dB, the technique allows for correct classification of approximately 71% of the MUAPs. The method is capable of processing, decomposing and classifying a 50 ms window of data in less than 5 ms using a standard desktop computer. Conclusion: This article contributes to the ongoing research on EMG decomposition by describing a novel technique capable of delivering high rates of success by means of a fast algorithm, suggesting its possible use in future real-time embedded applications, such as myoelectric prostheses control and biofeedback systems.

Detecção De Potenciais Evocados Em Sinais Eeg Baseada Em Filtros Casados

“…O mesmo método de filtros casados foi implementado para a detecção de unidades motoras em sinal EMG e observou-se que a taxa de classificação correta foi superior à 97% quando nenhuma sobreposição de unidade motora estava presente em sinais simulados. Quando os sinais simulados eram compostos de até 5 unidades motoras sobrepostas, a classificação foi de 92,78% e para sinais reais de EMG, o método atingiu performance igual a 76,73% [6]. Os resultados daquelas pesquisas, associados aos que obtivemos em nossos experimentos, indicam que a técnica pode ser uma alternativa na busca de métodos para detecção online de eventos na atividade cortical.…”

“…Classificação -Sempre que um potencial é apresentado na entrada dos filtros existe uma alta probabilidade de que mais de um filtro produza uma resposta diferente de zero, além disso, o momento de ocorrência do máximo dos filtros não ocorre de forma alinhada [6]. Para isso, foi definido uma janela de 800 ms onde foi realizado o processo de classificação.…”

“…Recentemente, os princípios da técnica de filtros casados foram utilizados para criar um método de decomposição de sinais eletromiográficos (EMG), resultando, segundo os autores, em alta precisão na identificação de diferentes unidades motoras [6]. Este trabalho busca então, em uma estratégia similar, verificar a adequação da técnica para extração de informações neurais associadas à PREs que estariam presentes em sinais EEG.…”

A Mobile Exoskeleton Control System Using Electromyographic Signals from Human Muscles

“…To estimate more detailed characteristics reflecting complicated contraction patterns, spectral characteristics of EMG signal, isolation of potentials of motor unit action [6] using classification [7] and different methods of machine learning [8][9][10] are used.…”

Detecção e classificação de potenciais evocados auditivos baseadas em filtros casados

“…Comparações diretas, do nosso trabalho com uma abordagem não supervisionada, nem sempre são possíveis, pois estão sujeitos a questionamentos. No entanto, um diferencial geral que é possível notar perante aos dois estudos mencionados (Lafuente et al, 2017;Siqueira & Soares, 2015), é um framework que utiliza a combinação das respostas dos diversos canais de interesse do EEG para classificação correta da intenção do usuário (Polich, 2007), enquanto os modelos utilizados pelos autores citados foram projetados para processamento de canais individuais.…”