proposing combined approaches to remove ecg artifacts from surface emg signals

77 Pages·2015·3.92 MB·English

Mälardalen University Press Licentiate Theses
No. 204
Mälardalen University Press Licentiate Theses
No. 204
PROPOSING COMBINED APPROACHES TO REMOVE
ECG ARTIFACTS FROM SURFACE EMG SIGNALS
PROPOSING COMBINED APPROACHES TO REMOVE
ECG ARTIFACTS FROM SURFACE EMG SIGNALS
Sara Abbaspour
2015
Sara Abbaspour
2015
School of Innovation, Design and Engineering
School of Innovation, Design and Engineering
Copyright © Sara Abbaspour, 2015
ISBN 978-91-7485-206-6
ISSN 1651-9256
Printed by Arkitektkopia Västerås, Sweden
Abstract
Electromyography (EMG) is a tool routinely used for a variety of applications in a very
large breadth of disciplines. However, this signal is inevitably contaminated by various
artifacts originated from different sources. Electrical activity of heart muscles,
electrocardiogram (ECG), is one of sources which affects the EMG signals due to the
proximity of the collection sites to the heart and makes its analysis non-reliable. Different
methods have been proposed to remove ECG artifacts from surface EMG signals;
however, in spite of numerous attempts to eliminate or reduce this artifact, the problem of
accurate and effective de-noising of EMG still remains a challenge. In this study common
methods such as high pass filter (HPF), gating method, spike clipping, hybrid technique,
template subtraction, independent component analysis (ICA), wavelet transform, wavelet-
ICA, artificial neural network (ANN), and adaptive noise canceller (ANC) and adaptive
neuro-fuzzy inference system (ANFIS) are used to remove ECG artifacts from surface
EMG signals and their accuracy and effectiveness is investigated. HPF, gating method
and spike clipping are fast; however they remove useful information from EMG signals.
Hybrid technique and ANC are time consuming. Template subtraction requires
predetermined QRS pattern. Using wavelet transform some artifacts remain in the
original signal and part of the desired signal is removed. ICA requires multi-channel
signals. Wavelet-ICA approach does not require multi-channel signals; however, it is
user-dependent. ANN and ANFIS have good performance, but it is possible to improve
their results by combining them with other techniques. For some applications of EMG
signals such as rehabilitation, motion control and motion prediction, the quality of EMG
signals is very important. Furthermore, the artifact removal methods need to be online
and automatic. Hence, efficient methods such as ANN-wavelet, adaptive subtraction and
automated wavelet-ICA are proposed to effectively eliminate ECG artifacts from surface
EMG signals. To compare the results of the investigated methods and the proposed
methods in this study, clean EMG signals from biceps and deltoid muscles and ECG
artifacts from pectoralis major muscle are recorded from five healthy subjects to create 10
channels of contaminated EMG signals by adding the recorded ECG artifacts to the clean
EMG signals. The artifact removal methods are also applied to the 10 channels of real
contaminated EMG signals from pectoralis major muscle of the left side. Evaluation
criteria such as signal to noise ratio, relative error, correlation coefficient, elapsed time
and power spectrum density are used to evaluate the performance of the proposed
methods. It is found that the performance of the proposed ANN-wavelet method is
superior to the other methods with a signal to noise ratio, relative error and correlation
coefficient of 15.53, 0.01 and 0.98 respectively.
I

Sammanfattning

Elektromyografi (EMG) är ett verktyg som rutinmässigt används för en mängd olika
applikationer inom många discipliner. Dock är denna signal oundvikligen kontaminerad
av artefakter som kommer från olika källor. Elektrisk aktivitet av hjärtmuskln,
elektrokardiogram (EKG), är en av störkällorna som påverkar EMG-signalerna på grund
av närheten till hjärtat och som försämrar analysens tillförlitlig. Olika metoder har
föreslagits för att ta bort EKG artefakter från yt-EMG-signaler men trots många försök att
eliminera eller minska denna artefakt, kvarstår problemet med korrekt och effektivt
brusreducering av EMG. I denna studie har vanliga metoder för brusundertryckning
undersökts, såsom högpassfilter (HPF), gatingmetod, spikklippning, hybridteknik,
subtraktionsmetod, oberoende komponentanalys (ICA), wavelet, wavelet-ICA, artificiella
neurala nätverk (ANN), och adaptiv brusreducering (ANC) och adaptiv neuro fuzzy
inference system (ANFIS). Metorderna har använts för att avlägsna EKG- artefakter från
yt-EMG-signaler och deras noggrannhet och effektivitet har undersökts. HPF,
gatingmetod och spikklippning är snabba; men de tar även bort relevant information från
EMG-signalen. Hybridteknik och ANC är tidskrävande. Subtraktionsmetoden kräver
kännedom om QRS-mönstret.Wavelettransformen lämnade kvar vissa artefakter i
signalen, och avlägsnade även endel av den ursprungliga EMG-signalen. ICA kräver
flerkanaliga signaler. Wavelet-ICA kräver inte flerkanaliga signaler, men är däremot
användarberoende. ANN och ANFIS har bra prestanda, men det är möjligt att förbättra
resultaten genom att kombinera dem med andra tekniker. För vissa tillämpningar av
EMG-signaler såsom rehabilitering, rörelsekontroll och prediktion, är kvaliteten på EMG-
signalerna mycket viktigt. Dessutom måste de artefaktreducerande metoderna vara i
realtid och automatiska. Detta innebär att metoderna ANN-wavelet, adaptiv subtraktion
och automatiserad wavelet-ICA rekommenderas för effektiv eliminering av EKG-
artefakter från yt-EMG-signaler. För att jämföra resultaten av de undersökta och
föreslagna metoderna i denna studie, har rena EMG-signaler från biceps och delta-
muskler, samt EKG-artefakter från stora bröstmuskeln spelats in från fem friska personer.
För att skapa 10-kanaliga brusiga EMG-signaler har de inspelade EKG-artefakterna
adderats till de rena EMG-signalerna. De olika artefaktreduceringsmetoderna har även
tillämpats på 10 kanaler verkliga EMG signaler med artefakter, från stora bröstmuskeln
på vänster sida. Utvärderingskriterier såsom signal-brusförhållandet, relativta felet,
korrelationskoefficienten, förfluten tid och effektspektrumstäthet har använts för att
utvärdera de föreslagna metoderna. Prestandan hos den föreslagna ANN-wavelet metoden
befanns överlägsen de andra metoderna med ett signalbrusförhållande på 15,53, relativt
fel på 0,01 och korrelationskoefficient på 0,98.
I II

To my beloved husband,
Mehdi

V

Acknowledgments
Foremost, I would like to express my sincere gratitude to my supervisors Prof. Maria
Lindén, Dr. Shahina Begum and Dr. Giacomo Spampinato. I am grateful to them for
providing valuable and useful suggestions, comments and feedback throughout my
studies. In particular, I thank my main supervisor Prof. Maria Lindén for her continuous
support of my study and research. Her guidance helped me in all the time of research and
writing of this thesis. I could not have imagined having a better supervisor and mentor for
my study. I also would like to express the deepest appreciation to my co-author Dr.
Hamid Gholamhosseini for his constructive comments on my papers. I am grateful in
every possible way and hope to keep up our collaboration in the future.
I thank the lecturers and professors who I learned a lot from during meetings, lectures,
seminars and PhD courses including Mats Björkman, Magnus Otterskog, Elisabeth
Uhlemann, Hans Hansson, Mia Folke, Mikael Ekström, Martin Ekström, Peter Funk,
Miguel Angel Valero, Ning Xiong, Anatoliy Malyarenko, Gordana Dodig-Crnkovic, Lars
Asplund, Sasikumar Punnekkat, Baran Çürüklü, Daniel Sundmark, Jan Gustafsson, Johan
Åkerberg, Björn Lisper, Lucia Lo Bello, Luis Almeida, Damir Isovic, Tomas Nolte,
Cristina Seceleanu, Moris Behnam and Dag Nyström. You all have been a source of
inspiration for me. I thank the administrative staff in particular, Carola Ryttersson, Sofia
Jäderén and Susanne Fronnå for making my things easier. My sincere thanks also go to
my friends and colleagues at the department; in my research group Per, Melika, Mobyen,
Anna, Elaine, Nikola, Gregory, Lum, Shaibal, Aida and Jiaying; and in an alphabetic
order Abhilash, Adnan, Alessio, Andreas G., Ayhan, Batu, Carl, Eduard, Elena, Farid,
Federico, Francisco, Fredrik Ek., Gabriel, Guillermo, Hamid, Hang, Husni, Irfan, Ivan,
Juraj, Kan, Kivanc, Leo, Luka, Malin Ås., Mahnaz, Matthias, Mehrdad, Meng, Miguel,
Mohammad, Nesredin, Nima, Omar, Pablo, Predrag, Rafia, Raluca, Saad, Sara Ab., Sara
Af., Severine, Simin, Stephan, Svetlana, Wasif, Yue and others.
Last but not the least, I thank my family: my parents for giving birth to me at the first
place and supporting me spiritually throughout my life. I would like to acknowledge my
husband and best friend, Mehdi. A big thank must go to him for his love, support and
encouragement. Without you it would not have been done!
The work was financed by the Knowledge Foundation’s research profile Embedded
Sensor System for Health (ESS- H).
Sara Abbaspour, Västerås, 2015
V II