Clasificación de Movimientos

Alonso Flores, Cristofer Hernández

Universidad de Chile, Departamento de Ingeniería Eléctrica

Abstract Resultados
Se clasifica el movimiento realizado por cinco personas a partir de señales Se pueden ver los resultados al utilizar el algoritmo de Random Forest a
biológicas, específicamente señales provenientes de EMG. Se propone continuación:
clasificar los movimientos usando el algoritmo “Random Forest” y una Accuracy Tiempo de ejecución [ms]
red convolucional. Se logra clasificar los distintos movimientos 0.9683 143.813
preprocesados con FFT y EMD con el algoritmo de Random Forest sobre Table: Accuracy y tiempo para random forest
un 90% de precisión. Además, se construye una red convolucional con
“Batch Normalization” y “Dropout”, la cual tiene capacidad de obtener
las características más relevantes gracias a su propio aprendizaje y
realizar una clasificación que también supera el 90%.

Motivación
Una baja capacidad de clasificación es un obstáculo para la creación
de sistemas protésicos. Es por lo anterior, que la contribución que se
hace es encontrar la mejor clasificación posible de los movimientos de
la mano, para poder contribuir a una construcción de un sistema
protésico más preciso y amigable.

Figure: Matriz de confusión

Base de datos
Se pueden ver los resultados al utilizar la red convolucional con los
La base de datos está compuesta por un grupo de 5 personas, dos
métodos de Batch normalization y Dropout a continuación:
hombres y tres mujeres. A cada persona se le colocaron dos sensores de
Accuracy Tiempo de ejecución [ms]
EMG en el antebrazo para medir las señales producidas por el
0.944 903.299
movimiento de la mano. Cada sensor registra 3000 datos diferentes a lo
Table: Accuracy y tiempo para CNN
largo del tiempo (representados en voltaje) con una tasa de muestreo de
500 Hz, por lo tanto, se tienen 6 segundos de datos para cada muestra,
este proceso se realiza 30 veces para cada uno de los 6 tipos de
movimientos. Luego para el proceso de entrenamiento, validación y
testeo se dividió el dataset de la siguiente forma, se tomaron las muestras
de 4 personas(2 hombre y 2 mujeres) para el proceso de entrenamiento y
validación y la mujer faltante para el testeo.

Random Forest
Para realizar este modelo, se debe realizar un prepocesamiento de datos, (a) Accuracy CNN (b) Loss CNN
primero obteniendo las 3 primeras IMFs de la señal, para luego obtener Figure: Red convolucional con batch normalization
características propias de cada señal, las cuales son las siguientes:
electromvogram integrado, cruces por cero, cambios en el signo de la
Finalmente, se pueden ver los resultados de testeo de ambos modelos en
pendiente, waveform length, willison amplitude, varianza, skewness,
la siguiente tabla.
kurtosis y mediana.
Con este dataset se procede a realizar la clasificación, en donde, se ajusta Promedio Desviación Estándar
los valores de profundidad y número de estimadores del modelo, con el Accuracy Accuracy
fin de aumentar el accuracy de validación. También se realiza reducción Random Forest 0.2567 0.06
de dimensionalidad para eliminar las características mas relevantes, sin Red Convolucional 0.2533 0.0264
bajar significativamente el accuracy. Table: Accuracy de testeo para ambos modelos

CNN
Contact Information
Este modelo necesita las transformadas de fourier de las señales para
llevar a cabo la clasificación. Para lograrlo, se usa la librería “keras” de • Repository:
Python y la matriz es reestructurada para ser analizada como varias github.com/Alonso-Flores-Ulloa/Proyecto_EL4106
imágenes con el objetivo de ser trabajadas por la red convolucional. La • Email: cristofer.hernandez@ug.uchile.cl
red convolucional que se implementó consta de dos capas de convolución, alonso.flores@ug.uchile.cl
cada una con su respectiva capa de pooling, y dos capas “Dense”,
formando un perceptrón multicapa (MLP). Además, se implementa el
método del Dropout entre la última capa de pooling y la red MLP y
Batch normalization a las dos capas convolucionales. Se procede a
realizar la clasificación, en donde, se ajusta los taza de aprendizaje, los
parámetros de Batch normalization y Dropout y el número de neuronas
en el MLP, con el fin de aumentar el accuracy de validación.