Channel selection and robust classification for myoelectric control

Abstract

Myoelektrische Kontrolle bezeichnet die Auswertung von durch Muskeln generierten elektrischen Signalen an der Hautoberfläche oder aber auch intramuskulär, um damit die Bewegungsintention des Menschen ableiten zu können. Derartige Mensch-Maschine-Schnittstellen finden sich in der Medizin weitverbreitet in Rehabilitation und Prothetik, aber auch als Mensch-Computer-Schnittstellen im experimentellem Einsatz. Eine möglichst fehlerfreie Erkennung der Benutzerintention ist eine wichtige Voraussetzung für myoelektrischer Kontrolle. So haben Systeme basierend auf Methoden der Mustererkennung gezeigt, dass diese in experimentellen Anwendungen herkömmlichen regelbasierten Verfahren zur Auswertung der Benutzerintention überlegen sind. Die erhöhte Komplexität von Mustererkennung birgt aber mitunter ein größeres Fehlerpotential. Darunter fällt die Wahl geeigneter Auswertealgorithmen oder aber auch die Bestimmung einer geeigneten Zahl an Eingangskanälen, sowohl aus Sicht des Instrumentierungsaufwands, als auch aus Sicht der Erkennungsleistung.<br />Der ersten Teil dieser Arbeit greift diese Problemstellung auf und beschäftigt sich mit der algorithmischen Bestimmung von effizienten Untermengen von Ableiteelektroden aus einer größeren Gesamtmenge, um eine Aussage sowohl über die Anzahl als auch die Position der geeignetsten Ableitelektroden treffen zu können. Hierzu werden Methoden zur Auswahl von Kanälen auf Rechenzeit und Leistung hin untersucht und mit verschiedenen Implementierungen von Mustererkennungsalgorithmen kombiniert, um die Implikationen einer reduzierten Kanalanzahl festzustellen. Der im Rahmen der Untersuchung durchgeführte Vergleich von Klassifizierern und aus den Rohsignal berechneten Merkmalen erlaubt auch eine Abschätzung über den Einfluß der jeweiligen Bausteine desMustererkennungsgesamtsystems auf die Gesamterkennungsleistung.<br />Der zweite Teil der Arbeit geht konkret auf eine wichtige Komponente eines Mustererkennungssystems ein, den Klassifizierer. Basierend auf Schlüssen aus dem ersten Teil, nämlich dass die Wahl des Klassifizierers selbst von geringem Einfluss auf das Gesamtsystem ist, kann die Wahl auf einen Algorithmus fallen, dessen zusätzliche Eigenschaften in der Problemdom äne myoelektrischer Kontrolle von Vorteil sind. Statistische Methoden mit Gauss'schen Mischmodellen erlauben so zum Beispiel, spezielle Anpassungen hinsichtlich Robustheit, gleichzeitiger Auswertung mehrerer Klassifizierungsergebnisse zur Ermöglichung von Simultanität und schlussendlich Adaptivität vorzunehmen.<br />Die Arbeit zeigt, dass die Auswahl der Kanäle und die richtige Wahl der aus dem Rohsignal generierten Merkmale den größten Einfluss auf die Leistungsfähigkeit haben, während die Wahl des Klassifizierers von geringerer Bedeutung ist. Gleichzeitig kann über die Gesamtzahl der Elektroden gesagt werden, dass für die untersuchten Elektrodenkonfigurationen lediglich eine kleine Anzahl bereits gute Klassifizierungsergebnisse liefert. Weitere Experimente bestätigen auch, dass Gauss'sche Mischmodelle zur Erkennung von Störungen und gleichzeitiger Auswertung von Signalen geeignet sind, und dies bei vergleichsweise geringem zusätzlichen rechnerischen Aufwand.<br />

Myoelectric control describes the evaluation of electrical signals generated by contracting muscles recorded from the surface of the skin or intramuscular for the purpose of estimating the user's intention. Such a human-machine interface can be found in medicine prosthetics and rehabilitation, but also as a replacement for human-computer interfaces in experimental setups. A high accuracy for the estimation of user intention is therefore of high importance for any myoelectric. In experimental setups, pattern recognition algorithms have proved to be superior to conventional control systems for the estimation of user intention, however at the cost of added complexity. This added complexity ranges from the selection of an appropriate classification algorithm to finding a compromise between classification accuracy and instrumentation overhead for the number of input channels to use.<br />The first part of this work addresses one of the above problems, namely the search for near-optimal or optimal subsets of electrode channels out of a larger number of electrodes. Different algorithms for channel selection are presented and assessed regarding performance and computational complexity. Each method is combined with variants of pattern recognition algorithms to evaluate the effects of channel selection for the complete myoelectric control system. Respective implementations and their results are described in detail. A second part of this thesis covers an integral part of a pattern recognition system, the classifier itself. With the conclusion drawn from the first part, namely that the choice of classifier is least influential for the overall system performance, a classifier can be chosen that has beneficial properties for the problem domain of myoelectric control. Statistical methods based on Gaussian mixture models are used to add capabilities concerning robustness, simultaneous classification and adaptability.<br />The work shows that the choice of proper electrode channels together with the right choice of features or feature combinations has the most influence on the performance of the pattern recognition system. For the choice of the classifier, additionally, domain specific requirements can therefore be taken into consideration. Regarding the overall number of channels, a small number of channels suffices for high performance.<br />Additional experiments show that Gaussian mixture models are especially well suited for the problem domain of myoelectric control, as they provide robustness, simultaneous control and adaptability with little computational overhead. For assessment, experiments were carried out on five able bodied subjects using three configurations for electrode placement.