EMG pattern recognition for thumb muscle states using wearable sensing and adaptive neural network

Abstract

Точна класифікація електрофізіологічних сигналів, зокрема електроміографічних (ЕМГ), є важливою для розроблення сучасних систем у спортивній медицині, біомеханічних протезах та нейрокомп’ютерних інтерфейсах. Однак такі проблеми, як шум сигналу, портативність пристроїв та обмеження опрацювання в реальному часі обмежують практичне впровадження інтерфейсів на основі ЕМГ. У статті представлено спеціалізований носимий пристрій для збирання даних ЕМГ та класифікації мʼязевої активності в режимі реального часу. Пристрій інтегрує мікроконтролер ESP32C6 для бездротового передавання даних, аналоговий сенсорний модуль AD8232 для захоплення електрофізіологічних сигналів та електроди Ag/AgCl, розміщені на мʼязах-антагоністах кисті руки. Сигнали ЕМГ дискретизуються з частотою 1000 Гц, попередньо опрацьовуються шляхом нормалізації та фільтрації, а потім класифікуються за допомогою двошарової нейронної мережі прямого розповсюдження, навченої за допомогою алгоритму оптимізації ADAM. Набір даних містить 4000 послідовних часових рядів, які відображають динаміку сигналів ЕМГ у трьох станах рухів великого пальця: спокої, відведення та приведення. Нейронна мережа досягла точності класифікації 94% в режимі реального часу з високою стабільністю та мінімальним затриманням, демонструючи надійне виявлення патернів мʼязевої активності. Інтеграція недорогого обладнання з адаптивним нейронним класифікатором дозволяє ефективно інтерпретувати сигнали ЕМГ у реального часу. Використання оптимізації ADAM забезпечує стабільну конвергенцію та стійкість до варіабельності сигналу. Ця робота пропонує компактне та ефективне рішення для класифікації ЕМГ у режимі реальному часі, що відкриває шлях для його застосування в носимих реабілітаційних системах, нейрокерованих протезах та інтелектуальних інтерфейсах людина–машина

Accurate classification of electrophysiological signals, particularly electromyographic (EMG) is essential for the development of advanced systems in sports medicine, biomechanical prosthetics, and neurocomputer interfaces. However, challenges such as signal noise, device portability, and real-time processing constraints limit the practical deployment of EMG-based interfaces. In this paper, we present a custom wearable device for EMG data acquisition and real-time classification of muscle activity. The device integrates an ESP32C6 microcontroller for wireless data transmission, an AD8232 analog sensor module for electrophysiological signal capture, and Ag/AgCl electrodes placed on antagonist muscles of the hand. EMG signals are sampled at 1000 Hz, preprocessed by normalization and filtering, and then classified using a two-layer feedforward neural network trained with the ADAM optimization algorithm. The dataset contains 4000 consecutive time series that reflect the dynamics of EMG signals across three thumb motor states: rest, abduction, and adduction. The neural network achieved a classification accuracy of 94% in real time, with high stability and minimal delay, demonstrating reliable detection of muscle activity patterns. The integration of low-cost hardware with an adaptive neural classifier enables efficient real-time EMG signal interpretation. The use of ADAM optimization ensures stable convergence and robustness to signal variability. This work contributes a compact and effective solution for real-time EMG classification, paving the way for its application in wearable rehabilitation systems, neuro-controlled prosthetics, and intelligent human–machine interfaces