Abstract These paper presents the classification of EMG

signals, which consist in the process and model of power

spectrum with the objective of create a pattern for each type of
hand movement. The signals are produced by the difference in
electrical potential generated in the muscles.
To process these signals it was used the Fourier Transformation
and the Analysis of Principal Component (PCA), because
previous studies demonstrating their effectiveness and
credibility.

I. INTRODUCTION
Las prtesis, la interaccin con brazos artificiales [1] y el
control de equipos por medio de la tele-operacin [2] son los
principales aportes en donde la tecnologa de reconocimiento
de seales EMG es utilizada.
La existencia de dichas seales era conocida ya en el siglo
XIX, pero fue hasta 1912 cuando se llev a cabo el primer
estudio a profundidad de EMG, sin embargo, sus resultados
no fueron justificados debido a la falta de recursos
tecnolgicos de aquel entonces, pero actualmente los
estudios demuestran que es posible utilizar estas seales en el
campo de la rehabilitacin, neurofisiologa, ergonoma, etc.
[3]
Cuando el objetivo es construir una prtesis, el propsito
de analizar y clasificar las seales EMG, es bsicamente
identificar patrones para que un dispositivo artificial sea
capaz de responder a seales elctricas (EMG) provenientes
de un humano [4].
En este artculo se presenta el procesamiento de las seales
EMG, con la finalidad de obtener un patrn representativo
para cada movimiento. Para lo cual fue necesario, primero
amplificar la seal y eliminar el ruido; luego, pasar la seal
por la Transformada de Fourier; y finalmente, clasificar los
espectros obtenidos en un plano mediante el PCA.
Este estudio ayudar en investigaciones que tengan por
objetivo la elaboracin de prtesis que respondan a las
seales EMG. Estas beneficiarn a personas que perdieron
una o ms extremidades superiores.




II. FUNDAMENTOS TERICOS
A. Transformada de Fourier

La transformada rpida de Fourier es un espectrgrafo que
permite convertir una seal que inicialmente se encuentra en
funcin del tiempo a una expresin f (w) o dominio de la
frecuencia. Su frmula es la siguiente:

.

()

Donde N es el nmero de muestras de la ventana que se
va a analizar, T es el periodo de muestreo (inverso a la
frecuencia de muestreo f),n es el ndice de la frecuencia y
m(kt) indica la muestra tomada en el instante kt (muestra
kasima).

B. Densidad espectral de seales

Para el clculo de la densidad espectral de seales se usa la
siguiente definicin:
Sea *()+ un proceso estocstico estacionario. La funcin
de densidad espectral de *()+ , que se escribe como

(),
se define como la transformada de Fourier de la funcin de
auto correlacin:

()

()

C. Anlisis de componente principal (PCA)

El PCA es un algoritmo con base en la correlacin entre
variables, que utiliza un mtodo estadstico que reduce la
dimensionalidad, mediante la combinacin lineal de sus
variables originales. Este algoritmo calcula los componentes
principales de una base de datos.

A continuacin describimos los pasos que componen al
algoritmo PCA:



Clasificacin de seales EMG
Barbarn Meza, Juan Carlos. Rodrguez Toledo, Pablo Csar
Universidad de ingeniera y tecnologa.
Lima, Per.
juan.barbaran@utec.edu.pe
pablo.rodriguez@utec.edu.pe




(a) (b)

1. Obtener la media del vector:

2. Obtener la matriz de covarianza:

)(

3. Obtenemos los auto vectores y auto valores:

Donde p es el auto valor y el auto valor.

a. Auto valor
*

+
b. Auto vector
(

Podemos considerar que cada fila de la matriz X es un vector
que pertenece a un espacio vectorial de dimensin n.
Expresado en base canonical en la que cada una de las
coordenadas est asociada directamente a una de las variables
descriptivas.
As pues el anlisis de componentes principales es un cambio
de base o endomorfismo, que cambia la base canonical a una
nueva base formada por los auto vectores de la matriz de
covarianza de la matriz X. La expresin matemtica es:

()

()

-

Donde
X: Es la matriz de datos a analizar.

: Vector de coordenadas de las medidas sobre el

componente principal k-esima, llamada tambin score.
p: Es el vector de la componente principal k, denominado
load. Este elemento es el auto vector de matriz de covarianzas
de X y ortogonal al resto de auto vectores.
Y: Es la matriz de coordenadas de las n medidas relacionada a
la nueva base de componentes principales.

Los scores son las coordenadas de cada una de las muestras
respecto a la nueva base, por otro lado los loads determinan la
contribucin de cada variable de matriz original sobre los
componentes principales.

El objetivo de este algoritmo es que los auto vectores de la
matriz de covarianzas de X muestran los ejes de mxima
varianza de las muestras. Con este criterio podemos decir que
el primer componente principal contiene la mayor proporcin
de la varianza inicial en las muestras.



III. MATERIALES Y MTODOS
Las seales EMG representan bsicamente un registro de la
actividad elctrica producida por los msculos esquelticos.
Para cada tipo de movimiento o accin voluntaria, debido a
esto es posible utilizar cualquier mtodo de procesamiento de
seales para la extraccin de
caractersticas principales y el registro de patrones, en este
trabajo se utiliza la Transformada de Fourier para hallar el
espectro y PCA para clasificar.

A. Datos EMG
Se utiliz una base de datos empleada en otro estudio
basado en seales EMG [1]. Estos fueron adquiridos
mediante la medicin de la diferencia de potencial entre dos
electrodos situados en el antebrazo. Para colocar estos
electrodos es necesario identificar la regin muscular ms
comprometida al realizar un determinado movimiento.


B. Pre-procesamiento
Estas seales corresponden a los movimientos de los dedos
de las manos obtenidas de 10 sujetos, fueron tomadas 20 000
muestras en un intervalo de 5 segundos por cada movimiento.
En este trabajo se escogi 2 movimientos para analizar:

-Movimiento del pulgar
-Movimiento dela mano cerrada

Cada seal fue procesada y graficada utilizando Labview.

Fig. 1 a) El primer grfico muestra los datos en tres dimensiones.
b) Despus de aplicar el PCA se obtiene una grfica ms comprensible
en 2 dimensiones.


Fig. 2 La figura muestra la posicin de los electrodos al adquirir los
datos.





C. Procesamiento:

a. Obtencin de la densidad espectral utilizando la
FFT

Se tom como referencia el tiempo de 5 segundos y
el nmero de muestras igual a 20 000 y utilizando
Labview se calcul y grafic la densidad espectral de
las seales.
De cada una de las seales EMG provenientes de
los movimientos de los dedos se obtuvo los siguientes
valores:

1) Tres valores mximos: Representa los tres picos
mximos del espectro de la seal.
2) Valor mnimo: Representa el pico mnimo de la
seal
3) Valor medio: Representa el promedio de picos en
la seal
(()

)
4) RMS: Representa la raz media cuadrtica

((

)


Con los 3 valores mximos ya calculados, se unieron
para formar una matriz 1x3 utilizando algoritmos
programados en Labview.

b. Creacin de una matriz 3x12 utilizando los valores
mximos de 2 movimientos

Se trabaj con seis muestras disponibles de cada
movimiento para elaborar una matriz 3x12, la cual tiene
por filas los 3 valores mximos de cada densidad espectral
obtenidas anteriormente. Esta matriz posteriormente ser
procesada por el algoritmo PCA.
IV. DISCUSIN Y RESULTADOS
A. Graficas de las seales procesadas por PCA

Empleando Matlab se aplic el mtodo estadstico de
Anlisis de Componentes Principales (PCA) a la matriz 3x12.
Se grafic los vectores teniendo como ejes los componentes
principales calculados por PCA




Fig. 3 Seal EMG graficada en Labview

Fig. 4 Grfica de la densidad espectral y obtencin de sus picos mximos

Fig. 5 Matriz 3x12 que contiene los valores mximos de las seales

Fig. 6 Grfica de los vectores teniendo como ejes al CP1 y CP2













Al graficar los vectores obtenidos por PCA intercalando los
ejes entre el componente principal 1 (CP1), el componente
principal 2 (CP2) y el componente principal 3 (CP3); se
puede notar que la grfica de CP1 vs CP2 es la que da una
clara diferencia entre los movimientos, mientras que las otras
2 graficas no aportan mucha informacin. El motivo es que el
CP1 es el que contiene la mayor informacin de los
movimientos, seguido del CP2 Y EL CP3.
V. CONCLUSIONES

La FFT (Transformada rpida de Fourier) demostr
ser un mtodo efectivo en la obtencin de espectros
de seales EMG.

El Anlisis de Componente Principal (PCA)
demostr buen desempeo y eficiencia, al momento
de clasificar las seales EMG, mediante la reduccin
de dimensionalidad.







REFERENCIAS

[1] [1 Rami N. Khushaba, Saeath Kodagoda, Maen Takruri Toward
improved control of prosthetic fingers using surface
electromyogram (EMG) signals., Expert Systems with
Applications, vol. 39, 2012.

[2] B. Freriks y H. J. Hermens, Future Applications of Surface, 1999.
[En lnea]. Available: http://www.seniam.org/pdf/contents4.PDF.
[ltimo acceso: 25 06 2014].

[3] R. Barea Navarro, Electromiografa, Universidad de Alcal
departamento de electrnica, Alcala.

[4] K. A. Panagiotis y J. K. Kostas, EMG-based Position and Force
Control of a Robot Arm: Application to Teleoperation and
Orthosis, Control Systems Lab, School of Mechanical Eng.,
Atenas.



Fig. 7 Grfica de los vectores teniendo como ejes al CP1 Y CP3

Fig. 8 Grfica de los vectores teniendo como ejes al CP1 Y CP2