• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Master's Dissertation
DOI
10.11606/D.3.2017.tde-28032017-100828
Document
Author
Full name
Mateus Ymanaka Barretto
Institute/School/College
Knowledge Area
Date of Defense
Published
São Paulo, 2007
Supervisor
Committee
Itiki, Cinthia (President)
Kohn, Andre Fabio
Ushizima, Mauro Roberto
Title in Portuguese
Aplicação de máquinas de vetor de suporte e modelos auto-regressivos de média móvel na classificação de sinais eletromiográficos.
Keywords in Portuguese
Eletromiografia
Redes neurais
Regressão linear
Abstract in Portuguese
O diagnóstico de doenças neuromusculares é feito pelo uso conjunto de várias ferramentas. Dentre elas, o exame de eletromiografia clínica fornece informações vitais ao diagnóstico. A aplicação de alguns classificadores (discriminante linear e redes neurais artificiais) aos diversos parâmetros dos sinais de eletromiografia (número de fases, de reversões e de cruzamentos de zero, freqüência mediana, coeficientes auto-regressivos) tem fornecido resultados promissores na literatura. No entanto, a necessidade de um número grande de coeficientes auto-regressivos direcionou este mestrado ao uso de modelos auto-regressivos de média móvel com um número menor de coeficientes. A classificação (em normal, neuropático ou miopático) foi feita pela máquina de vetor de suporte, um tipo de rede neural artificial de uso recente. O objetivo deste trabalho foi o de estudar a viabilidade do uso de modelos auto-regressivos de média móvel (ARMA) de ordem baixa, em vez de auto-regressivos de ordem alta, em conjunção com a máquina de vetor de suporte, para auxílio ao diagnóstico. Os resultados indicam que a máquina de vetor de suporte tem desempenho melhor que o discriminante linear de Fisher e que os modelos ARMA(1,11) e ARMA(1,12) fornecem altas taxas de classificação (81,5%), cujos valores são próximos ao máximo obtido com modelos auto-regressivos de ordem 39. Portanto, recomenda-se o uso da máquina de vetor de suporte e de modelos ARMA (1,11) ou ARMA(1,12) para a classificação de sinais de eletromiografia de agulha, de 800ms de duração e amostrados a 25kHz.
Title in English
Application of support vector machines and autoregressive moving average models in electromyography signal classification.
Keywords in English
Autoregressive
Electromyography
Fisher linear discriminant
Support vector machine
Abstract in English
The diagnosis of neuromuscular diseases is attained by the combined use of several tools. Among these tools, clinical electromyography provides key information to the diagnosis. In the literature, the application of some classifiers (linear discriminant and artificial neural networks) to a variety of electromyography parameters (number of phases, turns and zero crossings; median frequency, auto-regressive coefficients) has provided promising results. Nevertheless, the need of a large number of auto-regressive coefficients has guided this Master's thesis to the use of a smaller number of auto-regressive moving-average coefficients. The classification task (into normal, neuropathic or myopathic) was achieved by support vector machines, a type of artificial neural network recently proposed. This work's objective was to study if low-order auto-regressive moving-average (ARMA) models can or cannot be used to substitute high-order auto-regressive models, in combination with support vector machines, for diagnostic purposes. Results point that support vector machines have better performance than Fisher linear discriminants. They also show that ARMA(1,11) and ARMA(1,12) models provide high classification rates (81.5%). These values are close to the maximum obtained by using 39 auto-regressive coefficients. So, we recommend the use of support vector machines and ARMA(1,11) or ARMA(1,12) to the classification of 800ms needle electromyography signals acquired at 25kHz.
 
WARNING - Viewing this document is conditioned on your acceptance of the following terms of use:
This document is only for private use for research and teaching activities. Reproduction for commercial use is forbidden. This rights cover the whole data about this document as well as its contents. Any uses or copies of this document in whole or in part must include the author's name.
Publishing Date
2017-03-28
 
WARNING: The material described below relates to works resulting from this thesis or dissertation. The contents of these works are the author's responsibility.
  • SHIROTA, Camila, BARRETTO, Mateus Ymanaka, and ITIKI, C. Associative memories and diagnostic classification of EMG signals. In ICANNGA, Coimbra, 2005. Adaptive and Natural Computing Algorithms.Viena, Áustria : Springer-Verlag, 2005.
  • BARRETTO, Mateus Ymanaka, e ITIKI, C. Influência da análise de componentes principais na classificação de sinais eletromiográficos. In XX Congresso Brasileiro de Engenharia Biomédica, São Pedro, SP, 2006. Anais do XX Congresso Brasileiro de Engenharia Biomédica., 2006.
  • BARRETTO, Mateus Ymanaka, KOHN, André Fabio, e ITIKI, C. Modelagem auto-regressiva e discriminante linear de Fisher na classificação de sinais eletromiográficos de agulha. In III Congresso Latino-Americano de Engenharia Biomédica, João Pessoa, 2004. Proceedings of the International Federation for Medical and Biological Engineering. : SBEB, CORAL & IFMBE, 2004.
  • SHIROTA, Camila, BARRETTO, Mateus Ymanaka, e ITIKI, C. Classificação de sinais eletromiográficos de agulha por memórias associativas e modelagem auto-regressiva. In III Congresso Latino-Americano de Engenharia Biomédica, João Pessoa, 2004. Proceedings of the International Federation for Medical and Biological Engineering. : SBEB, CORAL & IFMBE, 2004.
All rights of the thesis/dissertation are from the authors
CeTI-SC/STI
Digital Library of Theses and Dissertations of USP. Copyright © 2001-2020. All rights reserved.