Classification of EMG signals for hand movement intention detection

For people with motor disabilities or amputations, natural control of assistive devices or prostheses have significant importance. Over the past several years, Electromyography (EMG) signals have been used as a natural interface to control artificial limbs. While decoding the subject's movement intention from EMG signals using traditional machine learning methods have shown promising results. Recently, deep learning algorithms such as Convolutional Neural Networks (CNNs) have gained interest as decoding strategies and have shown superior performance and robustness in comparison with traditional machine learning methods. However, CNNs require a big dataset to train properly. Creating such a database for a single subject could be very time consuming. Hence, researchers have proposed Transfer Learning as a solution for this challenge. In this paper we introduce multiple CNN-based architectures for hand movement intention detection and compare their performance with classical machine learning algorithms such as support vector machines, multi-layer perceptron, linear discriminant analysis and k-nearest neighbor. Classifiers are tested on Nearlab dataset which is a sEMG hand/wrist movement dataset created in this research work, and also on publicly available sEMG dataset “NinaPro”. Moreover, we propose two transfer learning approaches namely “Freeze & fine-tune” and “Parallel networks“, to eliminate the need to acquire large datasets from a single subject, leveraging available data from other subjects. Finally the results obtained over Nearlab dataset, indicated that deep learning algorithms can produce higher classification accuracy comparing to classical machine learning algorithms, with the maximum accuracy of 93.24% achieved by one of the proposed CNNs. In addition, transfer learning algorithm referred to as “Parallel networks“ was able to improve the average accuracy of the best performing deep learning network, by obtaining an average classification accuracy of 93.48%.

Per le persone con disabilità motorie o amputazioni, il controllo naturale dei dispositivi di assistenza o delle protesi ha un'importanza significativa. Negli ultimi anni, i segnali dell'elettromiografia (EMG) sono stati utilizzati come interfaccia naturale per controllare gli arti artificiali. Mentre decodifica l'intenzione di movimento del soggetto dai segnali EMG usando i metodi tradizionali di apprendimento automatico hanno mostrato risultati promettenti. Recentemente, algoritmi di deep learning come Convolutional Neural Networks (CNNs) hanno guadagnato interesse come strategie di decodifica e hanno mostrato prestazioni e robustezza superiori rispetto ai metodi di apprendimento automatico tradizionali. Tuttavia, le CNN richiedono un grande set di dati per allenarsi correttamente. La creazione di un database di questo tipo per un singolo argomento potrebbe richiedere molto tempo. Pertanto, i ricercatori hanno proposto l'apprendimento del trasferimento come soluzione per questa sfida. In questo articolo introduciamo più architetture basate sulla CNN per il rilevamento dell'intenzione di movimento della mano e confrontiamo le loro prestazioni con gli algoritmi di apprendimento automatico classici come macchine vettoriali di supporto, percettrone multistrato, analisi discriminante lineare e vicino k-più vicino. I classificatori sono testati sul set di dati Nearlab che è un set di dati di movimento mano / polso sEMG creato in questo lavoro di ricerca, e anche sul set di dati sEMG "NinaPro" disponibile pubblicamente. Inoltre, proponiamo due approcci per l'apprendimento del trasferimento, vale a dire "Congela e perfeziona" e "Reti parallele", per eliminare la necessità di acquisire grandi set di dati da una singola materia, sfruttando i dati disponibili da altre materie. Infine, i risultati ottenuti sul set di dati Nearlab, hanno indicato che gli algoritmi di deep learning possono produrre una maggiore precisione di classificazione rispetto agli algoritmi di machine learning classici, con una precisione massima del 93,24% raggiunta da una delle CNN proposte. Inoltre, l'algoritmo di apprendimento di trasferimento denominato "Reti parallele" è stato in grado di migliorare la precisione media della rete di apprendimento profondo con le migliori prestazioni, ottenendo una precisione di classificazione media del 93,48%.