Elaborazione del segnale EMG per funzionalità e controllo di supporti meccanici

Fig.19 Segnale EMG prelevato da bicipite e tricipite da una singola coppia di

elettrodi bipolari

Si ottengono dei pattern diversi per la flessione e l’estensione del gomito,

pronazione e supinazione dell’avambraccio. Questi pattern esibiscono

distinte differenze nelle loro forme d’onda temporali. Viene, quindi,

raggruppato un set di pattern derivati dalla stessa contrazione e le forme

d’onda sono sufficientemente consistenti per mantenere una distinzione

visiva tra i differenti tipi di contrazione.

Le caratteristiche più intuitive e utilizzate per descrivere il segnale

mioelettrico sono la varianza, ossia l’indice di attività lorda, il valore

medio assoluto o altri tipi di misura simile. Per ottenere più informazioni

da ogni canale vengono proposti e usati con successo sets di caratteristiche

di più variabili. Inizialmente, limitate dalla potenza computazionale del

passato, le caratteristiche erano basate sulla statistica nel dominio nel

tempo, varianza, zero crossing e lunghezza delle forme d’onda. Con

l’aumento delle risorse sono nati sistemi basati sui coefficienti di

autocorrelazione, le misure spettrali e i modelli di serie nel tempo. Gli

approcci attuali cercano di sfruttare le strutture temporali del MES usando

la trasformata di Fourier a tempo breve (utile per la sua semplicità ed

efficienza computazionale), forme d’onda e pacchetti di trasformate,

analisi spettrali di ordine maggiore. 40

–

Capitolo 4 Applicazioni pratiche

Rivolgendo lo sguardo all’evoluzione dei sistemi basati sul riconoscimento

dei pattern, si può notare come il primo sistema di questo tipo sia stato

sviluppato da un gruppo di ricercatori della Temple University di

Philadelphia negli anni ’60. È un sistema che estrae una semplice misura

di ampiezza da 6 canali di elettrodi posti sulla spalla. Viene utilizzato, poi,

un classificatore di tipo statistico per determinare le 6 classi di movimenti,

con un’accuratezza del 75%.

Altri tipi di sistemi sono stati sviluppati alla Chalmers University a

Gooteborg, in Svezia, o all’Università della California, a Los Angeles.

Entrambi questi approcci utilizzano canali multipli per prelevare

informazioni di ampiezza e caratteristiche statistiche. Le analisi statistiche

effettuate sulle varie caratteristiche determinano quelle che contengono

più informazioni per la separazione e l’identificazione dei pattern. Gli zero

crossing e la varianza del segnale forniscono la migliore classificazione dei

movimenti.

In questa parte dell’elaborato si andranno ad analizzare in maniera più

approfondita alcuni studi realmente effettuati sul controllo di ortesi e

protesi mediante il prelievo del segnale sEMG.

4.1 Ortesi

[5] Il primo studio preso in considerazione è stato effettuato alla California

State University, Fullerton. Viene presentata un’ortesi che ha la forma di

un braccio robotico, la quale è costituita da un tutore rigido che,

garantendo due gradi di libertà, può aiutare la riqualificazione della

flessione e dell’estensione dell’avambraccio di una persona che, ad

esempio, è stata affetta da ictus. Può, infatti, aiutare a ripristinare la

funzionalità dell’avambraccio permettendo alle persone paralizzate di

utilizzare spontaneamente e volontariamente il loro arto solamente

facendo uso del segnale sEMG prelevato dal loro muscolo.

L’accuratezza del dispositivo è stata determinata attraverso una serie di

test effettuata su due soggetti che hanno testato il dispositivo per 5 volte,

permettendogli di registrare circa l’80% dell’accuratezza sul numero totale

di trials effettuati. I risultati preliminari suggeriscono che il braccio

41

robotico ortopedico ha il potenziale di migliorare la mobilità dei

movimenti della mano di una persona paralizzata.

La metodologia di questo studio viene divisa in più parti:

–

Fig.20 Schema a blocchi del sistema

A – Acquisizione del segnale: viene proposto un controllo in tempo reale

del movimento dell’ortesi a livello del gomito usando un segnale sEMG

acquisito mediante degli elettrodi posti sul polso e sul bicipite di un

braccio sano. Gli elettrodi di superficie sono usati per acquisire i segnali

EMG dei muscoli “Flexor Carpi Radialis” e “Biceps Brachii”.

–

Fig.21 Flexor Carpi Radialis e Biceps Brachii Muscles

I segnali EMG vengono acquisiti usando un kit di sensori muscolari

MyoWare a due canali, il quale è provvisto di 3 elettrodi, due necessari

per la registrazione del segnale e uno che lavora come elettrodo di

42

riferimento. Dopo aver deciso il muscolo target (Flexor Carpi Radialis per

l’avambraccio o Biceps Brachii per il bicipite), uno degli elettrodi è posto

nel centro della porzione del muscolo e l’altro elettrodo deve essere

allineato alla fine del muscolo in direzione longitudinale. L’elettrodo di

riferimento è posto sul polso perché è una posizione che è stata ritenuta

ottimale per l’acquisizione del dato e conveniente per il circuito e per il

cablaggio.

Gli elettrodi Ag–AgCl hanno un diametro di 10mm e la distanza tra i

centri delle aree conduttive degli elettrodi bipolari è mantenuta pari a 1-

1.5cm. Inizialmente la cute viene pulita con un disinfettante e, in seguito,

gli elettrodi vengono fatti aderire mediante un gel per ridurre l’impedenza

elettrodo-cute.

Ai pazienti viene richiesto di sedersi con l’arto superiore sul piano

orizzontale, in posizione supina, per l’acquisizione dei segnali per i

movimenti del gomito. Similmente, per i movimenti dell’avambraccio, ai

soggetti viene richiesto di sedersi con l’arto superiore sul piano verticale,

in posizione supina. I dati EMG per ogni movimento vengono registrati

ogni 30 secondi a causa della ricalibrazione del sistema.

–

Fig.22 Posizione degli elettrodi

B – Pre-analisi: i segnali EMG vengono filtrati e analizzati per controllare

la flessione e l’estensione dei movimenti del paziente che ha delle

mancanze di potenza e i range di movimenti che gli è possibile effettuare.

Il range di frequenze dei segnali EMG va da 10Hz a 500Hz. Per acquisire i

segnali EMG, questi vengono campionati semplicemente a 5kHz, una

43

frequenza molto maggiore del doppio della banda, così da rispettare il

teorema di Nyquist ed evitare fenomeni di Aliasing nel ritorno nel

dominio del tempo. I segnali EMG grezzi, infatti, soffrono di numerosi

artefatti generalmente dati dai rumori di linea o frequenza di rete, dagli

artefatti di movimento, dai rumori inerenti all’equipaggiamento della

strumentazione e interferenze elettromagnetiche dell’ambiente esterno.

Pertanto, per avere un tasso di classificazione del segnale accettabile,

questo rumore deve essere rimosso utilizzando un appropriato filtraggio

come precauzione.

I segnali EMG vengono amplificati per mezzo di due stadi. Nel primo

stadio è presente un amplificatore per strumentazione, mentre nel secondo

stadio si utilizza un amplificatore invertente.

Tra questi due stadi viene utilizzato un filtro di terzo ordine noto come

filtro Butterworth (i.e. uno dei filtri più semplici nell’elettronica), il quale

ha una frequenza di taglio di 10-500hz ed è usato per rimuovere differenti

tipi di rumori. Il filtraggio rimuove i rumori inerenti al segnale ma

saranno presenti anche pochi artefatti dovuti alla tensione di rete e

verranno eliminati usando un filtro Butterworth taglia banda o un filtro

Notch che, con frequenza di taglio a 50hz, andrà ad escludere le frequenze

che vanno circa da 49 a 52hz.

Inoltre, poco prima del filtraggio passa-basso e del secondo stadio di

amplificazione, i segnali vengono rettificati usando un rettificatore doppia

semionda. –

Fig.23 Schema a blocchi della strumentazione utilizzata 44

C – Caratteristiche di estrazione e classificazione: i segnali EMG analizzati

vengono utilizzati per riconoscere il movimento dell’avambraccio e

identificare gli stati della flessione e dell’estensione; i movimenti analizzati

vengono classificati in 3 posizioni statiche differenti: rilassamento, semi-

flessione e flessione della mano o dell’avambraccio.

Un’appropriata selezione delle caratteristiche di un segnale EMG, sia nel

dominio del tempo che della frequenza, è molto importante per

un’accurata classificazione.

Le caratteristiche nel dominio del tempo sono più popolari di quelle della

frequenza perché hanno un buon potere discriminatorio e sono, a livello

computazionale, meno intense delle caratteristiche nel dominio della

frequenza.

Tra le caratteristiche in tempo che vengono analizzate ci sono: il valore

medio assoluto MAV, la radice del quadrato della media RMS, la varianza

VAR, la deviazione standard STD e il numero di zero crossing NZC.

1) MAV o AVR: è la media del valore assoluto o il valore medio rettificato

del segnale EMG misurato per una certa durata di tempo e si calcola come:

È un semplice modo per verificare i livelli di contrazione del muscolo.

2) RMS: è definita come la radice quadrata della media dei quadrati dei

valori del segnale. È relativo alla costanza della forza e alla contrazione

non faticosa del segnale EMG.

3) Varianza: è il valore medio del quadrato della deviazione standard della

variabile ed è rappresentata come:

La varianza misura l’estensione del dato intorno al valore medio. Questo

rappresenta il rumore e altre interferenze presenti nel segnale EMG.

45

4) STD: la deviazione standard di un segnale EMG è la misura della

dispersione dei campioni del dato dalla media. Cresce con l’incremento

dell’attività del muscolo, quindi, quando la mano o l’avambraccio passa

dalla posizione di riposo a quella di flessione. La deviazione standard è

calcolata come la radice quadrata della varianza ed è rappresentata da:

Per la caratterizzazione dei segnali EMG, le caratteristiche nel dominio

della frequenza possono essere utilizzate come alternative a quelle nel

dominio del tempo.

5) Numero di Zero Crossing (NZC): questo parametro può essere

utilizzato per determinare quante volte il segnale ha attraversato l’asse x e

quindi è passato per lo zero, i.e. quante volte è passato da negativo a

positivo e viceversa. Il valore di soglia è stato aggiunto per ridurre l’effetto

del rumore.

La classificazione dei dati EMG comprende due livelli. Il primo consiste

nel categorizzare il segnale dei movimenti del polso o del gomito. Il

secondo livello consiste nel categorizzare i segnali in 3 sottosezioni: stadio

di rilassamento – semi flessione – flessione.

Si noti che inizialmente