Classificazione di gesti della mano basata sul Deep Learning con segnali sEMG dell'avambraccio: indagine sui metodi di apprendimento auto-supervisionato per applicazioni intra-soggetto

Electromyography (EMG) is a technique used to monitor muscle activity through the use of electrodes. Its applications range from the functional analysis of muscles to the diagnosis of neuromuscular disorders, as well as integration into human–machine interfaces for industrial and medical applications. In the latter field, myoelectric prostheses are included: robotic prosthetic devices controlled by EMG electrical signals generated by the wearer’s residual muscles. For the acquisition of EMG signals, either intramuscular electrodes are used, which penetrate the skin to interface directly with the muscle, or surface electrodes, i.e., non-invasive sensors applied to the subject’s skin. In this paper, only surface electromyography (sEMG) will be considered, in which signals are detected using non-invasive surface electrodes. To establish the relationship between the recorded sEMG signals and the subject’s intentional movements, machine learning models can be employed. Over the years, various algorithms have been widely studied in the literature, including classifiers such as Support Vector Machines (SVM), Random Forest, and K Nearest Neighbors. However, deep learning, based on the use of deep neural networks, currently represents the state of the art in the processing of bioelectrical signals. One of the main obstacles in using deep learning for myoelectric prostheses is the need for a large amount of data to train the models. In particular, training a model for each specific subject would require the acquisition of a vast amount of individual data, making the process long and costly in terms of personnel and equipment. To speed up the process, it is possible to adopt pre-training strategies for the neural network, so that it acquires a preliminary understanding of sEMG signals before being adapted to the individual user. For this purpose, self-supervised learning (SSL) techniques represent a promising alternative to supervised approaches, as they do not require data classification, thereby saving dedicated resources and enabling the aggregation of data from diverse sources. The objective of this thesis is therefore to implement and evaluate self-supervised learning methods for training deep neural networks in the classification of hand movements from sEMG signals. The analysis will focus on their effectiveness in the field of subject-specific myoelectric prostheses, with the aim of improving the adaptability and usability of these devices. In the first chapter, an introduction is provided to fundamental topics in the field of myoelectric prostheses. It explains what myoelectric prostheses are, the anatomical structure of the upper limb, the origin of sEMG signals, and the types of electrodes used. In the second chapter, the deep learning concepts on which the work is based are introduced. The third chapter describes the Ninapro databases used. The fourth chapter presents the work carried out in its various phases. The fifth chapter presents the results, and finally, in the sixth chapter, the conclusions on the work carried out are reported.

L'elettromiografia (EMG) è una tecnica utilizzata per monitorare l'attività muscolare tramite l’uso di elettrodi. Le sue applicazioni spaziano dall'analisi funzionale dei muscoli alla diagnosi di patologie neuromuscolari, fino all'integrazione in interfacce uomo-macchina per applicazioni industriali e mediche. In quest’ultimo ambito rientrano le protesi mioelettriche: dispositivi protesici robotici, controllati dai segnali elettrici EMG generati dai muscoli residui del portatore. Per l’acquisizione dei segnali EMG, si utilizzano o elettrodi intramuscolari, che penetrano la cute interfacciandosi direttamente col muscolo, o elettrodi superficiali, cioè sensori non invasivi applicati sulla pelle del soggetto. In questo elaborato verrà considerata esclusivamente l’elettromiografia superficiale (sEMG), in cui i segnali vengono rilevati tramite elettrodi superficiali non invasivi. Per stabilire la relazione tra i segnali sEMG rilevati e i movimenti intenzionali del soggetto, si possono utilizzare modelli di Machine Learning. Negli anni, diversi algoritmi sono stati ampiamente studiati in letteratura, tra cui classificatori come Support Vector Machines (SVM), Random Forest e K Nearest Neighbors. Tuttavia, il deep learning, basato sull'uso di reti neurali profonde, rappresenta attualmente lo stato dell’arte nell’elaborazione di segnali bioelettrici. Uno dei principali ostacoli nell’utilizzo del Deep Learning per le protesi mioelettriche è la necessità di una grande mole di dati per l'addestramento dei modelli. In particolare, l’addestramento di un modello per ogni soggetto specifico richiederebbe l’acquisizione di una gran quantità di dati individuali, rendendo il processo lungo e costoso in termini di personale e attrezzature. Per velocizzare il processo, è possibile adottare strategie di pre-addestramento della rete neurale, in modo che essa acquisisca una conoscenza preliminare dei segnali sEMG prima di essere adattata al singolo utente. A questo scopo, le tecniche di Self-Supervised Learning (SSL) rappresentano un’alternativa promettente agli approcci supervisionati. Poiché non necessitano di classificazione dei dati, favorendo il risparmio di risorse dedicate e l’aggregazione di dati di diversa origine. L'obiettivo di questa tesi è quindi quello di implementare e valutare metodi di self-supervised learning per l’addestramento di reti neurali profonde nella classificazione di movimenti della mano a partire da segnali sEMG. L'analisi si concentrerà sulla loro efficacia nell'ambito delle protesi mioelettriche soggetto-specifiche, con l'obiettivo di migliorare l'adattabilità e la fruibilità di questi dispositivi. Nel primo capitolo si da un'introduzione a temi fondamentali per il settore delle protesi mioelettriche. Viene spiegato cosa siano le protesi mioelettriche, la struttura anatomica dell'arto superiore, l'origine dei segnali sEMG e i tipi di elettrodi utilizzati. Nel secondo capitolo si introducono i concetti di deep learning su cui si basa l'elaborato. Nel terzo capitolo si descrivono le base dati Ninapro utilizzate. Nel quarto capitolo viene presentato il lavoro svolto nelle sue varie fasi. Nel quinto capitolo sono presentati i risultati. E infine, nel sesto capitolo si riportano le conclusioni sul lavoro svolto.