Techniques and Applications for Electromyography Signal Information Extraction
No Thumbnail Available
Files
Aalto login required (access for Aalto Staff only).
Journal Title
Journal ISSN
Volume Title
Sähkötekniikan korkeakoulu |
Bachelor's thesis
Electronic archive copy is available locally at the Harald Herlin Learning Centre. The staff of Aalto University has access to the electronic bachelor's theses by logging into Aaltodoc with their personal Aalto user ID. Read more about the availability of the bachelor's theses.
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Author
Date
2024-06-04
Department
Major/Subject
Bioinformaatioteknologia
Mcode
ELEC3016
Degree programme
Sähkötekniikan kandidaattiohjelma
Language
en
Pages
40
Series
Abstract
Electromyography (EMG) signals are essential in advancing various biomedical engineering applications, offering critical insights into muscle activity for clinical diagnostics, rehabilitation, and human-machine interaction (HMI). These signals, generated during muscle contraction, reflect the electrical potential changes, and serve as a key indicator of muscle function. They are not only markers of health and disease, but also pivotal in the development of responsive prosthetics and adaptive robotics. Within the domain of biomedical engineering, a spectrum of signal processing methods plays a crucial role in interpreting these EMG signals to translate them into meaningful data. This comprehensive literature review covers a both feature extraction techniques, such as Wavelet Transform (WT), Principal Component Analysis (PCA), and Independent Component Analysis (ICA), as well as pattern extraction algorithms including Linear Discriminant Analysis (LDA), Support Vector Machines (SVM), Artificial Neural Networks (ANN), and Convolutional Neural Networks (CNN). These methods help understand the raw data and the development of adaptive systems capable of operating in real-time. In addition to these, the review extends to significant acquisition techniques and processing methods like amplifying, filtering, and analog-to-digital conversion (ADC), all of which are necessary for preparing EMG signals for analysis. This stage is critical, as it ensures the integrity and quality of the signals before they undergo complex analytical processes. By examining the effectiveness of each technique in different biomedical contexts, their unique strengths and limitations can be found. While no single method is universally superior, the choice of method should be based on the specific requirements of the desired application. Such a tailored approach can greatly improve the precision and usefulness of devices used for diagnosis and assistive devices. Through careful comparison and analysis, this thesis aims to provide insights into the selection of signal processing techniques that can be tailored for specific biomedical engineering challenges. It advocates for a thoughtfully integrated use of signal processing, from acquisition to analysis, by combining feature extraction and pattern recognition. This integrated strategy is designed to advance the field of EMG-based diagnostics and device development. This ensures that new developments remain sensitive to the complex nature of physiological signals and the unique needs of each patient, spanning across applications in the biomedical field.Elektromyografiska (EMG) signaler är avgörande för att främja olika applikationer inom biomedicinsk teknik och erbjuder kritiska insikter i muskelaktivitet för klinisk diagnostik, rehabilitering och människa-maskin-interaktion (HMI). Dessa signaler, som genereras under muskelkontraktion, återspeglar de elektriska potentialförändringarna och fungerar som en indikator för muskelfunktion. De är inte endast markörer för hälsa och sjukdom, utan även avgörande för utvecklingen av responsiva proteser och adaptiv robotik. Inom området för biomedicinsk teknik spelar en rad signalmehandlingsmetoder en avgörande roll för att tolka dessa EMG-signaler och översätta dem till meningsfull data. Denna omfattande litteraturöversik täcker både tekniker för särdragsextraktion, såsom wavelettransformation (WT), principalkomponentanalys (PCA) och oberoende komponentanalys (ICA), samt algoritmer för mönsterigenkänning inklusive linjär diskriminantanalys (LDA), stödvektormaskin (SVM), artificiellt neuronät (ANN) och konvolutionellt neuronät (CNN). Dessa metoder hjälper till att förstå rå data och utvecklingen av adaptiva system som kan fungera i realtid. Utöver dessa sträcker sig översikten till betydande förvärvstekniker och bearbetningsmetoder som förstärkning, filtrering och analog-till-digital omvandling (ADC), vilka alla är nödvändiga för att förbereda EMG-signaler för analys. Detta är kritiskt, eftersom det säkerställer signalernas integritet och kvalitet innan de genomgår komplexa analytiska processer. Genom att undersöka effektiviteten hos varje teknik i olika biomedicinska sammanhang kan deras unika styrkor och begränsningar identifieras. Även om ingen enskild metod är universellt överlägsen, bör valet av metod baseras på de specifika kraven för den önskade tillämpningen. Ett sådant skräddarsytt tillvägagångssätt kan avsevärt förbättra precisionen och användbarheten hos enheter som används för diagnos och assistans. Genom noggrann jämförelse och analys syftar denna avhandling till att ge insikter i valet av signalbehandlingstekniker som kan skräddarsys för specifika utmaningar inom biomedicinsk teknik. Den förespråkar för en genomtänkt integrerad använding av signalbehandling, från förvärv till analys, genom att kombinera särdragsextraktion och mönsterigenkänning. Denna integrerade strategi är utformad för att främja fältet för EMGbaserad diagnostik och enhetsutveckling. Detta säkerställer att nya utvecklingar förblir känsliga för de komplexa egenskaperna hos fysiologiska signaler och de unika behoven hos varje patient, som sträcker sig över applikationer inom det biomedicinska fältet.Description
Supervisor
Turunen, MarkusThesis advisor
Vujaklija, IvanKeywords
EMG, electromyography, biomedical engineering, signal acquisition, signal processing, feature extraction
