EMG signal processing for wireless EMG body sensors during functional electrical stimulation

ABSTRACT Electromyographic (EMG) signals are the recordings of the electrical activity produced by muscles. They measure the electric currents generated in muscles during their contraction. The EMG signal provides insight into the neural activation and dynamics of the muscles, and is therefore important for many different applications, such as in clinical investigations that attempt to diagnose neuromuscular deficits. In particular, the work in this thesis is motivated by rehabilitation of stroke patients. The EMG signal is very important for researchers and practitioners to monitor and evaluate the effect of the rehabilitation training and the condition of muscles, as the EMG signal provides information that helps infer the neural activity. The motivation of this thesis is to fully automate the EMG analysis tasks and yield accurate, consistent results. The EMG signal contains multiple muscle responses. Control systems for human physiotherapy exercises based on functional electrical stimulation (FES) have provided excellent performance in several setups. Myocontrolled neuro- prostheses use electromyography (EMG) for timing and intensity control of stimulation applied to these exercises, estimating not only the volitional activity (from the patient) but also the evoked activity (from FES). A typical EMG response to FES starts with the stimulation artifact, followed by an excitation curve called M-wave. To extract volitional and evoked components, we first need to find the EMG signal between stimulation artifacts. For that, we have developed a method for two-channel stimulation artifact detection for EMG signals which are not hardware-synchronized to a FES stimulator. First, the artifact detection approach marks all potential artifacts based on adaptive threshold-based detection method, mean/standard deviation. The process of the algorithm is based on the data values that fly by in a stream. We get to look at each value only once, and do a constant-time process on it. Also, we have only a fixed amount of storage memory. To detect the artifacts first we need to write an algorithm which finds the mean and the variance in a recursive way in order to save computational time. We use the recursive formula for the summation of the samples and the standard mathematical equations for the mean and the variance. This function will give us at the end one mean, one variance and two quantile values for the buffer with EMG data. The buffer will be updated continuously through the entire raw EMG data set that we have. In the end we will have the values for the mean and standard deviation for the last elements of the data set. The function will be implemented in a cumulative way. This means that it will not calculate all the previous data that were on the buffer since the beginning but it will do the calculations based only on the new group of elements that comes. Then we combine the new values with the previous values for the elements that stay on the buffer. The buffer that contains the EMG samples will be updated in a FIFO manner and the processing will be only on the new samples and not on the whole buffer. Again the number of the EMG samples that comes in and out on the buffer will vary. However, a particular solution is shown here, were we decide the buffer size and an exact number for the expected EMG samples that come in and go out. This case is used on the microcontroller implementation where all the numbers are equal and adjustable. Subsequently, for the EMG signal between the stimulation artifacts we group the potential stimulation artifacts to eliminate them and provide the volitional EMG. For evaluation, we performed tests on two benchmark datasets obtained from FES-assisted walking, elbow flexion and shoulder elevation. The first benchmark of data set included the acquisition of the raw EMG signal from Tibialis and Gastrocnemius muscles from 5 healthy subjects. The stimulation that we applied was a biphasic, electrical stimulation through surface electrodes. We used a current-controlled stimulator. The data was acquired with a 2 channel signal amplifier and with a sampling frequency 4000 Hz. Between 2 stimulation pulses we are expecting a number of L, EMG samples: L= sampling frequency/electrical stimulation EMG samples. This number though of EMG samples may not the one that we are expecting but it can vary on a range between 120−180 samples. The second benchmark of data set included the acquisition of the raw EMG signal from Biceps and Medial Deltoid muscles from 7 healthy subjects. The stimulation that we applied was again a biphasic, electrical stimulation through surface electrodes. We used a current-controlled stimulator. The data was acquired with a 2 channel signal amplifier and with a sampling frequency 1024 Hz. Between 2 stimulation pulses we are expecting a number of L, EMG samples: L= sampling frequency/electrical stimulation EMG samples. This number though of EMG samples may not the one that we are expecting but it can vary on a range between 30-50 samples. We start buffering two vectors with M raw EMG samples, one for each channel with the last received elements from the raw EMG signal. These vectors which hold the raw EMG signal, will be processed periodically in order to find the artifacts. They will be updated continuously with new data from the raw EMG signal. We found more than 98% success rate for artifact detection using the adaptive threshold method independently on the selected data set. Because of its low computational demands, we recommend the mean/standard deviation approach. For the estimation of the volitional EMG components during hybrid muscle contractions a new EMG wireless sensor developed by the TUB was tested with the aim to use them to improve the estimation of the volitional EMG. An adaptive linear filter was used to estimate the volitional EMG. The average of the absolute value of the volitional EMG estimate was computed in order to obtain a single value for each inter-pulse period. A software with graphic user interface has been implemented in Matlab. The software implements the proposed peak detection algorithm offline and enables to visualize the detection results and modify them if necessary. The EMG signal of interest in this thesis was recorded from healthy subjects as a result, the EMG signal has an expected shape information. The set of methods developed in this thesis made no assumptions on the shapes of the signals, and therefore can be applied to any generic EMG signals, as long as the signals are composed of artifact peaks, which is the case in most practical systems. The artifact detection algorithm that we implemented has a high precision and recall values and it detects the artifacts at the same moment that they cross their pre-defined thresholds. We can see that the algorithm works for different muscle data set and it’s able to detect and remove a high percentage of artifacts. We also noticed that using the recursive mean function we saved computational time in comparison to the ready manual function, though for the recursive standard deviation we noticed that the calculation is slower in comparison to the ready manual function. In both cases though since we are calculating in a recursive way keeping all the calculation results from each iteration we are able to save computational memory. Meanwhile the results of the trials that we performed showed that the new EMG wireless sensors developed by TUB can be used to successful extract the volitional EMG during hybrid muscle contractions. Although the low sampling frequency (1024 Hz), reliable estimates of the volitional component were achieved. These sensors can be integrated and increase the number of simultaneous stimulation channels up from 2 to 4 using one single stimulators, without affecting the system since the sensors are quite small and wireless.

ASTRATTO I segnali elettromiografici (EMG) sono le registrazioni dell'attività elettrica prodotta dai muscoli. Misurano le correnti elettriche generate nei muscoli durante la loro contrazione. Il segnale EMG fornisce informazioni sull'attivazione neurale e sulla dinamica dei muscoli, ed è quindi importante per molte applicazioni diverse, come nelle indagini cliniche che tentano di diagnosticare deficit neuromuscolari. In particolare, il lavoro in questa tesi è motivato dalla riabilitazione dei pazienti con ictus. Il segnale EMG è molto importante per ricercatori e professionisti per monitorare e valutare l'effetto dell'allenamento riabilitativo e della condizione dei muscoli, poiché il segnale EMG fornisce informazioni che aiutano ad inferire l'attività neurale. La motivazione di questa tesi è di automatizzare completamente le attività di analisi EMG e fornire risultati accurati e coerenti. Il segnale EMG contiene più risposte muscolari. I sistemi di controllo per esercizi di fisioterapia umana basati sulla stimolazione elettrica funzionale (FES) hanno fornito prestazioni eccellenti in diverse configurazioni. Le neuro-protesi miocontrollate utilizzano l'elettromiografia (EMG) per il controllo della tempistica e dell'intensità della stimolazione applicata a questi esercizi, stimando non solo l'attività volitiva (dal paziente) ma anche l'attività evocata (da FES). Una tipica risposta EMG a FES inizia con l'artefatto di stimolazione, seguita da una curva di eccitazione chiamata onda M. Per estrarre componenti voluti ed evocati, dobbiamo prima trovare il segnale EMG tra gli artefatti di stimolazione. Per questo, abbiamo sviluppato un metodo per il rilevamento degli artefatti di stimolazione a due canali per i segnali EMG che non sono sincronizzati all'hardware con uno stimolatore FES. Innanzitutto, l'approccio di rivelazione degli artefatti contrassegna tutti i potenziali artefatti basati sul metodo di rilevamento basato su soglie adattative, media / deviazione standard. Il processo dell'algoritmo si basa sui valori dei dati che volano in uno stream. Diamo un'occhiata a ogni valore solo una volta e facciamo un processo a tempo costante su di esso. Inoltre, abbiamo solo una quantità fissa di memoria di archiviazione. Per prima cosa rilevare gli artefatti è necessario scrivere un algoritmo che trovi la media e la varianza in modo ricorsivo per risparmiare tempo computazionale. Usiamo la formula ricorsiva per la sommatoria dei campioni e le equazioni matematiche standard per la media e la varianza. Questa funzione ci darà alla fine una media, una varianza e due valori quantili per il buffer con i dati EMG. Il buffer verrà aggiornato continuamente attraverso l'intero set di dati EMG non elaborati che abbiamo. Alla fine avremo i valori per la media e la deviazione standard per gli ultimi elementi del set di dati. La funzione sarà implementata in modo cumulativo modo.Ciò significa che non calcolerà tutti i dati precedenti che erano sul buffer da allora l'inizio ma farà i calcoli basati solo sul nuovo gruppo di elementi che viene. Quindi combiniamo i nuovi valori con i valori precedenti per gli elementi che rimangono nel buffer. Il buffer che contiene gli esempi EMG verrà aggiornato in un FIFO modo e l'elaborazione sarà solo sui nuovi campioni e non sull'intero buffer. Anche in questo caso il numero di campioni EMG che entrano ed escono nel buffer varierà. Tuttavia, qui viene mostrata una soluzione particolare, se decidessimo la dimensione del buffer e un numero esatto per i campioni EMG attesi che entrano ed escono. Questo caso viene utilizzato nell'implementazione del microcontrollore in cui tutti i numeri sono uguali e regolabili. Successivamente, per il segnale EMG tra gli artefatti di stimolazione, raggruppiamo i potenziali artefatti di stimolazione per eliminarli e fornire l'EMG volitivo. Per la valutazione, abbiamo eseguito test su due set di dati di riferimento ottenuti dalla camminata assistita da FES, dalla flessione del gomito e dall'elevazione della spalla. Il primo benchmark del set di dati comprendeva l'acquisizione del segnale EMG grezzo dai muscoli Tibialis e Gastrocnemius da 5 soggetti sani. La stimolazione che abbiamo applicato è stata una stimolazione elettrica bifasica attraverso la superficie elettrodi. Abbiamo usato uno stimolatore controllato dalla corrente. I dati sono stati acquisiti con un amplificatore di segnale a 2 canali e con una frequenza di campionamento di 4000 Hz. Tra 2 impulsi di stimolazione ci aspettiamo un numero di campioni L, EMG: L = campioni EMG di frequenza di campionamento / stimolazione elettrica. Questo numero di campioni EMG potrebbe non essere quello che ci aspettiamo ma può variare su un intervallo tra 120-180 campioni. Il secondo benchmark del set di dati comprendeva l'acquisizione del segnale EMG grezzo dai muscoli bicipiti e deltoide mediale di 7 soggetti sani. La stimolazione che abbiamo applicato è stata di nuovo una stimolazione elettrica bifasica attraverso la superficie elettrodi. Abbiamo usato uno stimolatore controllato dalla corrente. I dati sono stati acquisiti con un amplificatore di segnale a 2 canali e con una frequenza di campionamento di 1024 Hz. Tra 2 impulsi di stimolazione ci aspettiamo un numero di campioni L, EMG: L = campioni EMG di frequenza di campionamento / stimolazione elettrica. Questo numero di campioni EMG potrebbe non essere quello che ci aspettiamo ma può variare su un intervallo tra 30-50 campioni. Iniziamo il buffering di due vettori con campioni EMG grezzi M, uno per ciascun canale con gli ultimi elementi ricevuti dal segnale EMG non elaborato. Questi vettori che contengono il segnale EMG non elaborato verranno elaborati periodicamente per trovare gli artefatti. Verranno aggiornati continuamente con nuovi dati dal segnale EMG non elaborato. Abbiamo riscontrato una percentuale di successo superiore al 98% per il rilevamento degli artefatti utilizzando il metodo della soglia adattativa indipendentemente dal set di dati selezionato. A causa delle sue basse esigenze computazionali, raccomandiamo l'approccio medio / deviazione standard. Per la stima delle componenti EMG volute durante le contrazioni muscolari ibride è stato testato un nuovo sensore wireless EMG sviluppato dal TUB allo scopo di utilizzarle per migliorare la stima dell'EMG volitivo. È stato utilizzato un filtro lineare adattivo per stimare l'EMG volitivo. La media del valore assoluto della stima EMG volizionale è stata calcolata al fine di ottenere un valore singolo per ciascun periodo inter-impulso. Un software con interfaccia utente grafica è stato implementato in Matlab. Il software implementa l'algoritmo di rilevamento del picco proposto offline e consente di visualizzare i risultati del rilevamento e modificarli se necessario. Il segnale EMG di interesse per questa tesi è stato registrato da soggetti sani come risultato, il segnale EMG ha una informazione sulla forma prevista. L'insieme di metodi sviluppati in questa tesi non ha fatto supposizioni sulle forme dei segnali, e quindi può essere applicato a qualsiasi segnale EMG generico, purché i segnali siano composti da picchi di artefatti, come avviene nella maggior parte dei sistemi pratici. L'algoritmo di rilevamento degli artefatti che abbiamo implementato ha un'alta precisione e valori di richiamo e rileva gli artefatti nello stesso momento in cui attraversano le soglie predefinite. Possiamo vedere che l'algoritmo funziona con diversi set di dati muscolari ed è in grado di rilevare e rimuovere un'alta percentuale di artefatti. Abbiamo anche notato che utilizzando la funzione media ricorsiva abbiamo risparmiato tempo computazionale rispetto alla funzione manuale pronta, anche se per la deviazione standard ricorsiva abbiamo notato che il calcolo è più lento rispetto alla funzione manuale pronta. In entrambi i casi, sebbene stiamo calcolando in modo ricorsivo mantenendo tutti i risultati del calcolo da ogni iterazione, siamo in grado di salvare la memoria computazionale. Nel frattempo i risultati delle prove che abbiamo eseguito hanno dimostrato che i nuovi sensori wireless EMG sviluppati da TUB possono essere utilizzati per estrarre l'EMG volitivo durante contrazioni muscolari ibride. Nonostante la bassa frequenza di campionamento (1024 Hz), sono state ottenute stime attendibili della componente volitiva. Questi sensori possono essere integrati e aumentare il numero di canali di stimolazione simultanei da 2 a 4 utilizzando un singolo stimolatore, senza influire sul sistema poiché i sensori sono piuttosto piccoli e wireless.