Knee Functional State Classification Using Surface Electromyographic and Goniometric Signals by Means of Artificial Neural Networks

• Autores: Marcelo Herrera-González, Gustavo Adolfo Hernández, José Luis Rodríguez-Sotelo, Oscar Fernando Avilés Sánchez
• Localización: Ingeniería y universidad, ISSN 0123-2126, Vol. 19, Nº. 1, 2015, págs. 51-66
• Idioma: inglés
• Títulos paralelos:
  • Clasificación del estado funcional de la rodilla usando señales de electromiografía de superficie y goniometría empleando redes neuronales
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    En este artículo se propone una metodología para el diagnóstico de lesión de rodilla, patología común y de múltiples causas. El diagnóstico y el tratamiento de las lesiones de rodilla se realizan por medio de valoraciones por parte de un profesional en el área, quien según su criterio puede solicitar exámenes invasivos y/o de alto costo. El sistema propuesto emplea señales electromiográficas de superficie (EMGS) y señales de goniometría, evaluadas con métodos de análisis de señales en el dominio del tiempo-frecuencia como el espectrograma y la transformada wavelet. Como técnica de aprendizaje de máquina se emplean redes neuronales artificiales, por medio de un perceptrón multicapa. Las señales EMGS fueron tomadas en cuatro músculos internos-externos asociados a la articulación, por medio de exámenes físicos de flexión y extensión, en los cuales se registró, además, la goniometría en el plano sagital. Con este sistema se obtuvieron rendimientos superiores al 80% en la efectividad como medida de desempeño, por lo cual esta propuesta se constituye en una solución objetiva que puede darle más elementos de juicio al profesional para el diagnóstico.

  • English

    In this article a methodology for a medical diagnostic decision support system to assess knee injuries is proposed. Such methodology takes into account that these types of injuries are common and arise due to different causes. Therefore, the physician's diagnosis and treatment may lead to expensive and invasive tests depending on his medical criteria. This system uses a surface Electromyographic (sEMG) and goniometric signals that are processed with signal analysis methods in time-frequency space through a spectrogram and a wavelet transform. Artificial neural networks are used as a learning technique by having a multilayer perceptron. EMG signals were measured in four external and internal muscles associated to the joint through flexion and extension assessments. These tests also registered the goniometric measures of the sagittal plane. This system shows above 80% of effectiveness as a performance measure that makes it an objective measure leading to help the physician in his diagnosis.