Clasificación de diferentes posiciones de la mano a partir del procesamiento de las señales electromiográficas superficiales del antebrazo utilizando diferentes algoritmos de Machine Learning

Abstract

El presente trabajo de tesis tiene por objetivo clasificar diferentes posiciones de la mano a partir del procesamiento de las señales electromiográficas superficiales (sEMG) del antebrazo utilizando diferentes algoritmos de machine learning. En una primera etapa del procesamiento de las señales sEMG se obtuvo un vector de datos que contiene la información de diecinueve posiciones distintas de la mano. Este vector de información fue modificado independientemente por dos algoritmos de reducción de dimensionalidad conocidos como Análisis de Componentes Principales (PCA) y Análisis de Discriminante Lineal (LDA) para comparar con cuál de estos dos algoritmos se consigue una mayor precisión en la etapa de clasificación subsiguiente. Luego de la reducción de la dimensionalidad con los algoritmos mencionados, el vector de información compactado fue ingresado, independientemente, a tres algoritmos de clasificación de machine learning supervisados para comparar los resultados y encontrar el algoritmo con el mejor desempeño. Los algoritmos de clasificación utilizados fueron: una Red Neuronal Artificial (ANN), una Máquina de Soporte de Vectores (SVM) y el de los K-Vecinos más Cercanos (KNN). Los algoritmos con los que se obtuvo un mejor desempeño para la reducción de dimensionalidad y la clasificación fueron el PCA y el ANN, respectivamente. El resultado final de la investigación permitió concluir que es posible clasificar con una precisión superior al 95% diecinueve posiciones distintas de la mano a partir del procesamiento de las señales EMG superficiales del antebrazo.

The objective of this thesis is to classify different positions of the hand from the processing of the superficial electromyographic (sEMG) signals of the forearm using different machine learning algorithms. In a first stage of the processing of the sEMG signals, a data vector was obtained containing all the sEMG information from nineteen different positions of the hand. This information vector was independently modified by two dimensionality reduction algorithms known as Principal Component Analysis (PCA) and Linear Discriminant Analysis (LDA) to compare with which of these two algorithms greater precision was achieved in the subsequent classification stage. After dimensionality reduction with the aforementioned algorithms, the compacted information vector was entered independently through three machine learning supervised classification algorithms to compare the results and find the algorithm with the best performance. The classification algorithms used were: an Artificial Neural Network (ANN), a Vector Support Machine (SVM) and the K-Nearest Neighbors (KNN). The algorithms with which the best performance for dimensionality reduction and classification were PCA and ANN, respectively. The final result of the investigation concludes that it is possible to classify with a precision superior to 95% nineteen different positions of the hand from the processing of the sEMG signals of the forearm.