Classificazione dei gesti della mano basata sulla decomposizione EMG ad alta densità

Abstract

Recenti progressi nelle protesi degli arti superiori hanno permesso agli utenti di controllare più gradi di libertà utilizzando algoritmi di riconoscimento applicati all’elettromiografia (EMG). Questi metodi trattano i segnali EMG come “colored noise”, trascurandone l’origine biologica. Al contrario, gli algoritmi di decomposizione EMG permettono di estrarre l’attività delle unità motorie, che codifica i comandi motori ai muscoli. Questa tesi valuta la fattibilità di utilizzare features delle unità motorie per classificare i gesti della mano per applicazioni protesiche. Cinque partecipanti normodotati hanno hanno preso parte allo studio eseguendo 14 gesti della mano. Le features delle unità motorie sono state estratte con due tecniche di decomposizione: una basata sui dati spaziali delle attivazioni e l’altra sui patter temporali di scarica. Le prestazioni di classificazione sono state confrontate con un approccio root-mean-square (RMS). Per analizzare l’effetto del posizionamento degli elettrodi, sono stati testati due metodi: una tecnica di palpazione muscolare e l’utilizzo di un ecografo per un allineamento più preciso con le fibre muscolari. Gli approcci basati sulle unità motorie hanno ottenuto accuratezza del 90% e 85% rispettivamente per il metodo spaziale e temporale, anche se la classificazione RMS ha mostrato prestazioni leggermente migliori. Questa differenza può essere interpretata con la difficoltà nel decomporre numerose unità motorie per gesti complessi. Non sono state osservate differenze significative tra le tecniche di posizionamento, indicando che gli algoritmi funzionano bene anche con un allineamento subottimale degli elettrodi. Sebbene le attuali limitazioni tecnologiche ostacolino l'uso di approcci basati sulle unità motorie nelle protesi, questo studio ne dimostra il potenziale. In futuro, queste metodologie potrebbero superare l’approccio tradizionale, offrendo al contempo informazioni fisiologicamente rilevanti sulla codifica del movimento.

Recent advancements in upper-limb prosthetics have enabled users to control multi-degree-of-freedom prostheses using pattern recognition algorithms applied to electromyography (EMG). These methods treat EMG signals as colored noise, neglecting their biological origin. In contrast, surface EMG decomposition algorithms can extract motor unit activity, which encodes motor commands to muscles. This thesis evaluates the feasibility of using motor unit-based features for hand gesture classification in prosthetic applications. Five able-bodied participants performed 14 hand gestures, and motor unit features were extracted using two decomposition techniques: one based on motor unit activation spatial data and the other on discharge patterns. Classification performance was compared to a root-mean-square (RMS)-based approach. To analyze the effect of electrode placement, two positioning methods were tested: a muscle palpation technique and ultrasound imaging for precise alignment with muscle fibers. Motor unit-based approaches achieved promising accuracies of 90% and 85% for activation and discharge methods, respectively, though RMS classification performed slightly better. The challenges of decomposing numerous motor units for varied gestures likely explain this result. No significant differences were observed between the electrode placement techniques, indicating that algorithms perform robustly even with non-optimal electrode alignment. While current technological limitations hinder motor unit-based methods for prosthetic use, this study demonstrates their potential. These approaches may surpass traditional EMG features in the future, offering physiologically relevant insights into movement coding alongside improved prosthetic control.