▷ #EMG signal classification with Machine Learning #ML using #Matlab

Las señales EMG (Electromiografía) que representan actividad muscular de cualquier sujeto, pueden ser adquiridas de forma superficial utilizando electrodos en la piel que cubre el músculo de interés. Al adquirir señales EMG durante la ejecución de tareas motoras, estas señales contienen información en el dominio del tiempo y frecuencia correspondiente a la actividad muscular involucrada en la tarea motora realizada. Las señales EMG pueden ser analizadas mediante algoritmos de clasificación para determinar de forma automática qué tipo de actividad está realizando el sujeto, esta detección es usada para el control de prótesis de rehabilitación.

Cargar los datos desde carpeta específica

clear;clc;

dir='D:\...\Letras_csv\';

Fs=200;%Hz frecuencia de muestreo

NameFolder=importdata(strcat(dir,'files.txt'));

%5 carpetas con las tareas A, B, I, L, O

%cada carpeta contiene 100 archivos de cada tarea correspondiente

%Cada archivo tiene 3s de adquisición

Crear una sola fila de valores RMS por cada electrodo EMG, esto por cada archivo

AllEvents=[];%almacenará la información de todos las tareas

AllLabels=[];%almacenará las etiquetas de todos las tareas

Labels=[1 0 0 0 0;0 1 0 0 0;0 0 1 0 0;0 0 0 1 0;0 0 0 0 1];

%A=10000; B=01000; I=00100; L=00010; O=00001

for i=1:length(NameFolder)% las 5 carpetas

NameFiles=importdata(strcat(dir,...

strcat(string(NameFolder(i,:))),'files.txt'));

%recorro cada fila del vector con nombres de las carpetas

RMSE=[];

for j=1:length(NameFiles)

%recorro cada fila del vector con nombres de archivos con los datos

File=csvread(strcat(dir,strcat(string(NameFolder(i,:))),...

strcat(string(NameFiles(j,:)),'.csv')));

%se lee cada archivo CSV de 3 segundos de muestras cada uno

RMSE=[RMSE;rms(File(:,:))];

%saca el RMS de cada electrodo y crea una fila

AllLabels=[AllLabels;Labels(i,:)];

% en cada fila se coloca el label correspondiente a cada evento

end

AllEvents=[AllEvents;RMSE];

% los features son los valores rms de los 8 electrodos EMG

end

size(AllEvents)% son 8 electrodos EEG y 500 eventos

ans = 1×2

500 8

size(AllLabels)% son 5 letras y 500 eventos

ans = 1×2

500 5

Llamar el toolbox de matlab

nnstart

Leer como usar el toolbox nnstart

Probar la red neuronal implementada

clear;clc;

inNN=load('inNN.mat');inNN=inNN.AllEvents;

%guardar previamente desde el workspace

outNN=load('outNN.mat');outNN=outNN.AllLabels;

%guardar previamente desde el workspace

pred=[];

pred=myNeuralNetworkFunction(inNN(:,:));

%se crea un vector de clasificacion analizando el vector de inNN

figure;

plot(pred(:,1)+pred(:,2)*2+pred(:,3)*3+pred(:,4)*4+pred(:,5)*5,'ob');

hold on;

plot(outNN(:,1)+outNN(:,2)*2+outNN(:,3)*3+outNN(:,4)*4+outNN(:,5)*5,'.r');

legend('Classification NN','Target');

xlabel('500 eventos de 3 s cada una');

ylabel('A=1, B=2, I=3, L=4, O=5');

title('EMG classification neural network');

Calculo del error cuadratico medio

err = immse(outNN,pred)

err = 3.0589e-06

acc=1-err

acc = 1.0000

Leer mas del proyecto Epileptic disease

Leer temas relacionados:

    ✅ Machine Learning #ML using #Matlab

    ✅ #EEG signal classification with Machine Learning #ML using #Matlab

    ✅ Epileptic seizure prediction with Machine Learning #ML using #Matlab

    ✅ #EEG Signal #Clustering for Motor and Imaginary Motor Tasks on Hands and Feet

    ✅ Supervised Pattern Recognition Techniques for Detecting Motor Intention of Lower Limbs

    ✅ #Clustering of #EEG #Occipital Signals using #K_means