Caracterización y Clasificación Automática de Señales Electromiográficas Registradas durante la Marcha en Sujetos con Lesión en Miembro Inferior

Resumen

Gracias al uso de redes neuronales artificiales se ha optimizado la clasificación de datos para la predicción de eventos. En este trabajo, se presenta un clasificador automático entrenado para ser capaz de diferenciar señales electromiográficas registradas a pacientes con lesiones en el miembro inferior y sujetos sanos. Los datos fueron obtenidos de una base de datos de acceso libre en Internet que cuenta con un conjunto de 22 registros electromiográficos del músculo recto femoral de pacientes tomados durante el ciclo de la marcha y etiquetados en dos grupos, uno de control y uno patológico con una anormalidad en la rodilla. Las señales fueron acondicionadas, procesadas y posteriormente les fueron extraídos conjuntos de características tanto en el dominio del tiempo como en el de la frecuencia. Estas fueron evaluadas estadísticamente para seleccionar las óptimas en el proceso de clasificación. Las características obtenidas se organizaron en 10 diferentes configuraciones, las cuales alimentaron 8 modelos de clasificadores basados en análisis discriminante, k-medias y árboles de decisión. Los errores obtenidos con cada uno de ellos fueron registrados y promediados. Los tres clasificadores con menor error promedio fueron seleccionados para construir un clasificador final. La precisión en fase de entrenamiento fue de alrededor de 95% en los mejores métodos, cambiando a 80% en fase de validación cuando se usa un modelo de árbol simple con ANOVA, o un modelo de 100-árboles con Filters y Wrappers; y una precisión de 100% con un modelo de discriminante cuadrático y ANOVA para seleccionar características.