Calibración Automática en Filtros Adaptativos para el Procesamiento de Señales EMG

Christian Salamea Palacios, Santiago Luna Romero

Resumen

En este trabajo se propone un filtrado adaptativo que incluye una etapa de calibración automática para la adquisición de señales EMG (Electromiografía). Se propone una técnica innovadora llamada “calibración automática” para minimizar el ruido provocado por el contacto de la piel con los sensores utilizados (electrodos) en condiciones de actividad física. Se utiliza filtrado adaptativo considerando que tanto la actividad física como la sudoración en personas son factores que alteran las condiciones de medición. La experimentación se ha realizado con personas que han desarrollado actividad física con diferentes condiciones de esfuerzo. Se ha utilizado la mejora relativa de la relación señal-ruido (RI-SNR) para comparar la técnica propuesta con filtros adaptativos que usan “ruido blanco” como señal de referencia. Este trabajo estuvo enfocado en los estimadores: Wiener, LMS y RLS, con mediciones realizadas antes y después de la actividad física. La técnica propuesta presenta una mejora de hasta un 45,49%, comparada con la correspondiente que utiliza “ruido blanco” para la calibración.


Palabras clave

Filtrado Adaptativo; Análisis y Tratamiento de Señales; Control de Variables Fisiológicas y Clínicas; Perturbaciones; Ruido

Clasificación por materias

Filtrado, estimación y análisis y tratamiento de señales e imágenes; Control en bioingeniería, biología, agricultura, ecología y medicina

Texto completo:

PDF

Referencias

Chang, K.-M. (2010). Arrhythmia ECG noise reduction by ensemble empirical mode decomposition. Sensors, 10, 6063-6080. https://doi.org/10.3390/s100606063

Cheng, K.-s., & Yang, W.-Y. (1992). Using adaptive filter for extracting the surface diaphragmatic EMG signal. Engineering in Medicine and Biology Society, 1992 14th Annual International Conference of the IEEE, 6, págs. 2604-2605. https://doi.org/10.1109/iembs.1992.592909

Chicas, Z. a. (2004). Diseño de un filtro digital adaptativo como cancelador de ruido basado en el algoritmo LMS. Ph.D. dissertation, Universidad de El Salvador.

Cruz, P. P., & Herrera, A. (2011). Inteligencia artificial con aplicaciones a la ingeniería. Marcombo.

Devore, J. L. (2008). Probabilidad y estadística para ingenierías y ciencias. Cengage Learning Editores.

Drake, J. D., & Callaghan, J. P. (2006). Elimination of electrocardiogram contamination from electromyogram signals: an evaluation of currently used removal techniques. Journal of electromyography and kinesiology, 16, 175-187. https://doi.org/10.1016/j.jelekin.2005.07.003

Golabbakhsh, M., Masoumzadeh, M., & SABAHI, M. O. (2011). ECG and power line noise removal from respiratory EMG signal using adaptive filters.

Górriz, J. M., Ramírez, J., Cruces-Alvarez, S., Puntonet, C. G., Lang, E. W., & Erdogmus, D. (2009). A novel LMS algorithm applied to adaptive noise cancellation. IEEE Signal Processing Letters, 16, 34-37. https://doi.org/10.1109/lsp.2008.2008584

Hashim, F. R., Soraghan, J. J., Petropoulakis, L., & Daud, N. G. (2014). EMG cancellation from ECG signals using modified NLMS adaptive filters. Biomedical Engineering and Sciences (IECBES), 2014 IEEE Conference on, (págs. 735-739). https://doi.org/10.1109/iecbes.2014.7047605

KARABOĞA, N. U., & Cetinkaya, M. B. (2011). A novel and efficient algorithm for adaptive filtering: artificial bee colony algorithm. Turkish Journal of Electrical Engineering & Computer Sciences, 19, 175-190.

Kim, H. J., Lee, Y. S., & Kim, D. (2017). Arm Motion Estimation Algorithm Using MYO Armband. Robotic Computing (IRC), IEEE International Conference on, (págs. 376-381). https://doi.org/10.1109/irc.2017.32

Lee, J.-W., & Lee, G.-K. (2005). Design of an adaptive filter with a dynamic structure for ECG signal processing. International Journal of Control, Automation, and Systems, 3, 137-142.

Limem, M., Hamdi, M. A., & Maaref, M. A. (2016). Denoising uterine EMG signals using LMS and RLS adaptive algorithms. Advanced Technologies for Signal and Image Processing (ATSIP), 2016 2nd International Conference on, (págs. 273-276). https://doi.org/10.1109/atsip.2016.7523113

Marque, C., Bisch, C., Dantas, R., Elayoubi, S., Brosse, V., & Perot, C. (2005). Adaptive filtering for ECG rejection from surface EMG recordings. Journal of electromyography and kinesiology, 15, 310-315. https://doi.org/10.1016/j.jelekin.2004.10.001

Meireles, A., Figueiredo, L., Lopes, L. S., & Almeida, A. (2016). ECG denoising with Adaptive Filter and Singular Value Decomposition techniques. Proceedings of the Ninth International C* Conference on Computer Science & Software Engineering, (págs. 102-105). https://doi.org/10.1145/2948992.2948993

Navarro, X., Porée, F., & Carrault, G. (2012). ECG removal in preterm EEG combining empirical mode decomposition and adaptive filtering. Acoustics, Speech and Signal Processing (ICASSP), 2012 IEEE International Conference on, (págs. 661-664). https://doi.org/10.1109/icassp.2012.6287970

Poungponsri, S., & Yu, X.-H. (2013). An adaptive filtering approach for electrocardiogram (ECG) signal noise reduction using neural networks. Neurocomputing, 117, 206-213. https://doi.org/10.1016/j.neucom.2013.02.010

Rangayyan, R. M. (2015). Biomedical signal analysis (Vol. 33). John Wiley & Sons.

Thakor, N. V., & Zhu, Y.-S. (1991). Applications of adaptive filtering to ECG analysis: noise cancellation and arrhythmia detection. IEEE transactions on biomedical engineering, 38, 785-794. https://doi.org/10.1109/10.83591

Vaseghi, S. V. (2008). Least Square Error Wiener-Kolmogorov Filters. Advanced Digital Signal Processing and Noise Reduction, Fourth Edition, 173-191. https://doi.org/10.1002/9780470740156.ch6

Vaseghi, S. V. (2009). Adaptive Filters: Kalman, RLS, LMS. Advanced Digital Signal Processing and Noise Reduction, Fourth Edition, 193-225. https://doi.org/10.1002/9780470740156.ch7

Widrow, B., Glover, J. R., McCool, J. M., Kaunitz, J., Williams, C. S., Hearn, R. H., . . . Goodlin, R. C. (1975). Adaptive noise cancelling: Principles and applications. Proceedings of the IEEE, 63, 1692-1716. https://doi.org/10.1109/proc.1975.10036

Wu, Y., Rangayyan, R. M., Zhou, Y., & Ng, S.-C. (2009). Filtering electrocardiographic signals using an unbiased and normalized adaptive noise reduction system. Medical Engineering & Physics, 31, 17-26. https://doi.org/10.1016/j.medengphy.2008.03.004

Zarzoso, V., & Nandi, A. K. (2001). Noninvasive fetal electrocardiogram extraction: blind separation versus adaptive noise cancellation. IEEE Transactions on biomedical engineering, 48, 12-18. https://doi.org/10.1109/10.900244

Abstract Views

3579
Metrics Loading ...

Metrics powered by PLOS ALM


 

Citado por (artículos incluidos en Crossref)

This journal is a Crossref Cited-by Linking member. This list shows the references that citing the article automatically, if there are. For more information about the system please visit Crossref site

1. Validation of a Low-Cost Electromyography (EMG) System via a Commercial and Accurate EMG Device: Pilot Study
Sergio Fuentes del Toro, Yuyang Wei, Ester Olmeda, Lei Ren, Wei Guowu, Vicente Díaz
Sensors  vol: 19  num.: 23  primera página: 5214  año: 2019  
doi: 10.3390/s19235214



Creative Commons License

Esta revista se publica bajo una Licencia Creative Commons Attribution-NonCommercial-CompartirIgual 4.0 International (CC BY-NC-SA 4.0)

Universitat Politècnica de València     https://doi.org/10.4995/riai

e-ISSN: 1697-7920     ISSN: 1697-7912