Aplicación de wavelets en el análisis y la extracción de características para la clasificación de señales EMGS
Las señales Electro-MioGráficas Superficiales (EMGS) obtenidas de manera no invasiva por medio de electrodos ubicados sobre la piel, constituyen una valiosa fuente de información de la actividad muscular, razón por la cual, estas señales tienen hoy en día gran aceptación para sus aplicaciones en el...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2008 |
| País: | Colombia |
| Institución: | Universidad del Cauca |
| Repositorio: | Repositorio Unicauca |
| Idioma: | español |
| OAI Identifier: | oai:repositorio.unicauca.edu.co:123456789/287 |
| Acceso en línea: | http://repositorio.unicauca.edu.co:8080/xmlui/handle/123456789/287 |
| Access Level: | acceso abierto |
| Palabra clave: | Señales EMGS Análisis Wavelets Clasificación de Patrones EMGS Signals Wavelet Analysis Pattern Classification |
| Sumario: | Las señales Electro-MioGráficas Superficiales (EMGS) obtenidas de manera no invasiva por medio de electrodos ubicados sobre la piel, constituyen una valiosa fuente de información de la actividad muscular, razón por la cual, estas señales tienen hoy en día gran aceptación para sus aplicaciones en el control de prótesis de mano. El objetivo central de este trabajo es, mediante el análisis de señales EMGS con técnicas basadas en wavelets, extraer características que ayuden a mejorar el desempeño en la clasificación de señales EMGS. El problema de clasificación de señales EMGS se resuelve mediante un adecuado procesamiento de señales en las fases de: extracción de características, reducción de dimensionalidad y de reconocimiento de patrones. Debido a la interdependencia de estas fases se requiere la implementación de una solución integrada. Esto es posible mediante una adecuada caracterización tiempo-frecuencia de las señales EMGS. En este trabajo se muestra que la representación simultanea de una señal en los dominios tiempo-frecuencia, lograda mediante la transformación wavelets, permite extraer características con mayor capacidad discriminante para mejorar su clasificación. Sin embargo, la transformada wavelet produce una representación bidimensional de la señal con una dimensión comparable a la de su dominio original, por lo que se requiere reducir su dimensionalidad. Para esto, en este trabajo se utiliza la técnica de selección de características con función de costo basada en el índice de separabilidad de clases (CSI), junto con una adecuada selección de sub-bandas para la transformada wavelet discreta (DWT) y un algoritmo de selección de las mejores bases para la transformada de paquetes wavelets (WPT). Finalmente se muestra que en la representación de señales EMGS, la combinación de características temporales con características espectral basadas en wavelets, permite alcanzar un buen desempeño en la clasificación de señales EMGS. Para validar los resultados se utiliza como clasificadores: una red neuronal probabilística (PNN), una maquina de soporte vectorial (SVM) y un perceptron multicapas (MLP). |
|---|