Towards semg classification based on Bayesian and k-NN to control a prosthetic hand

Tello, Richard; Bastos, Teodiano; Costa, Regina Mamede; Frizera, Anselmo; Arjunan, Sridhar P.; Kumar, Deepak

doi:10.1109/brc.2013.6487520

Cited by 13 publications

(7 citation statements)

References 18 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…For EMG classification, researchers have proposed various classifiers . Classifiers can use different algorithms such as LDA [2,4,8] , Bayesian [3], k Nearest Neighbor (kNN) [3,4,10] , Kernel Regularized Least Squares [4], Random Forest Classifier [5], Support Vector Machines(SVM) [6,18], Artificial Neural Networks [1,7,9,13,14,15,20], Minimum Distance [16] and Fuzzy system [1].…”

Section: Introductionmentioning

confidence: 99%

A New CNN Approach for Hand Gesture Classification using sEMG Data

Erözen

2020

Journal of Innovative Science and Engineering (JISE)

View full text Add to dashboard Cite

In this paper, a new CNN architecture is introduced for classification of six different hand gestures using surface electromyography (EMG) data collected from the forearm. At first, two different deep neural networks produced based on Slow Fusion and Inception models separately. Then, the average of accuracy values and standard deviations were calculated for each type of network. The average accuracy was 80.88% and standard deviation was 0.030 for the Slow Fusion based network. For the Inception based network, average accuracy was 82.64% and standard deviation was 0.028. In addition to these two networks, a new CNN architecture is introduced using Slow fusion and Inception models in combination. The architecture has two parallel Inception modules in parallel. Each parallel module is fed by the half of the 3D feature map. The proposed model slowly fuses the information of the parallel modules throughout the network as in Slow-Fusion architecture. The average accuracy achieved with this model was 83.97% and the standard deviation was 0.027. Despite the small data set, the accuracy had increased with the proposed hybrid model. The smaller standard deviation indicates that it is less affected by variations in the training dataset. Our experimental results show that the proposed method gives the best results among the Slow Fusion based and Inception based models.

show abstract

Section: Introductionmentioning

confidence: 99%

A New CNN Approach for Hand Gesture Classification using sEMG Data

Erözen

2020

Journal of Innovative Science and Engineering (JISE)

View full text Add to dashboard Cite

show abstract

Section: Introductionunclassified

“…Várias técnicas podem-se ser implementadas para a classificação de sinais EMG, tais como redes neurais artificiais [2,3], classificador bayesiano [7], análise de discriminantes lineares [5,6], máquina de vetores de suporte [5] e k-vizinhos mais próximos [7]. Dentre os citados, destaca-se o método de redes neurais artificiais, o qual é inspirado no processamento de informações pelo sistema nervoso central através de sua unidade básica, o neurônio [8].…”

Section: Introductionunclassified

“…A literatura não apresenta um consenso acerca das melhores características a serem extraídas dos sinais EMG, porém é possível destacar algumas características do domínio do tempo que são amplamente utilizadas: Mean Absolute Value (MAV) [1][2][3][4][5], Zero Crossing (ZC) [1,2,[4][5][6] , Slope Sign Change (SSC) [1,2,[4][5][6], Waveform Length (WL) [1][2][3][4][5][6][7], Willison Amplitude (WA) [3][4][5][6], Variance (VAR) [3,4,7] e Root Mean Square (RMS) [4,6,7].…”

Section: Introductionunclassified

See 1 more Smart Citation

Metodologia Para Classificação De Movimentos Da Mão Baseada Em Padrões Eletromiográficos

Mello¹,

Schmiele²,

Soares³

2018

Anais Do v Congresso Brasileiro De Eletromiografia E Cinesiologia E X Simpósio De Engenharia Biomédica

View full text Add to dashboard Cite

Resumo: Sinais eletromiograficos de superfície associados a algoritmos de classificação de movimentos são amplamente utilizados no campo de controle de membros artificiais. Entretanto, fatores como melhor posicionamento dos eletrodos, características ideais a serem extraídas do sinal EMG e definição da melhor técnica de classificação a ser implementada, necessitam de elucidações. O presente trabalho visa o desenvolvimento de um sistema robusto para extração de características de sinais eletromiográficos e classificação de padrões associados a movimentos de mão. O sistema de captação foi composto por quatro eletrodos dispostos sobre os grupos flexores e extensores de punho, sendo os sinais provenientes desses eletrodos utilizados para classificação de quatro movimentos de mão por uma rede neural perceptron de múltiplas camadas. As técnicas apresentadas nesse trabalho resultaram em desempenhos promissores, com uma taxa de sucesso média do classificador de 87,50%. Palavras IntroduçãoO controle de próteses mioelétricas baseia-se na utilização de sinais eletromiográficos (EMG) coletados, principalmente, na superfície da pele e, em geral sobre a musculatura remanescente envolvida, sendo tal técnica amplamente utilizada em próteses de membro superior [1]. Sinais EMG consistem em potenciais elétricos produzidos pela contração de determinado músculo ou grupo muscular e podem ser captados em músculos do antebraço relacionados aos movimentos da mão [2]. Dessa forma, esses sinais consistem em uma importante interface homemmáquina, já que após serem capturados e digitalizados, pode-se processá-los para o reconhecimento de padrões e classificação de movimentos a serem executados pela prótese.A correta classificação dos movimentos está intrinsicamente relacionada à qualidade dos dados adquiridos, bem como à escolha das características e do classificador utilizado. A literatura não apresenta um consenso acerca das melhores características a serem extraídas dos sinais EMG, porém é possível destacar algumas características do domínio do tempo que são [3,4,7] e Root Mean Square (RMS) [4,6,7].Além disso, para o sucesso da classificação, é imprescindível a utilização de um bom método de classificação.Várias técnicas podem-se ser implementadas para a classificação de sinais EMG, tais como redes neurais artificiais [2,3], classificador bayesiano [7], análise de discriminantes lineares [5,6], máquina de vetores de suporte [5] e k-vizinhos mais próximos [7]. Dentre os citados, destaca-se o método de redes neurais artificiais, o qual é inspirado no processamento de informações pelo sistema nervoso central através de sua unidade básica, o neurônio [8]. No entando, diversos trabalhos ainda apresentam contradições em seus resultados no uso da técnica com o objetivo de desenvolver classificadores para controle de membros artificiais.Diante do exposto, este artigo apresenta uma proposta de metodologia visando o desenvolvimento de um sistema robusto para extração de características de sinais eletromiográficos e classificação de padrões assoc...

show abstract

“…Tello et al [8] used LDA and kNN classifier for myoelectric control of a prosthetic hand to rehabilitate amputee. Phinyomark et al [9] performed feature extraction from 1 st difference of sEMG time series and concluded that the accuracy was higher as compare to features extracted from original signals.…”

mentioning

confidence: 99%

MLPNN and kNN Based Classification of sEMG Signal for Myoelectric Control of Upper Limb Prosthesis

Negi¹,

Kumar²,

Mishra³

2017

Proceedings of the Second International Conference on Research in Intelligent and Computing in Engineering

View full text Add to dashboard Cite

AbstractiAnalysis of sEMG signal has been an emerging field for the myoelectric control of upper limb prosthesis. The objective of present work is to obtain the performance measures like accuracy, sensitivity, specificity and positive predictivity using MLMNN with back propagation algorithm. Using MLMNN classifier, an average classification accuracy of 93.71% was achieved over ten subjects for the combination of [MAV1, WL, AAC, ZC, and WAMM] features. Next the classification accuracy is obtained with kNN classifier for ky 3, 5, and 7. The results showed that average classification accuracy of 93.06% is achieved using kNN and it is better than MLMNN in terms of time and simplicity.

show abstract

Towards semg classification based on Bayesian and k-NN to control a prosthetic hand

Cited by 13 publications

References 18 publications

A New CNN Approach for Hand Gesture Classification using sEMG Data

A New CNN Approach for Hand Gesture Classification using sEMG Data

Metodologia Para Classificação De Movimentos Da Mão Baseada Em Padrões Eletromiográficos

MLPNN and kNN Based Classification of sEMG Signal for Myoelectric Control of Upper Limb Prosthesis

Contact Info

Product

Resources

About