Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.   8 , No .   6 ,  Decem ber   201 8 , p p.   4221 ~ 4229   IS S N: 20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v8 i 6 . pp4221 - 42 29          4221       Journ al h om e page :  http: // ia es core .c om/ journa ls /i ndex. ph p/IJECE   A Detail  Stu dy of  Wavelet  Families  for EM G Patt ern  Recognit ion       Jing w ei  T oo 1 ,   A.   R.   A bdulla h 2 ,   N orhas himah M oh d  S aad 3 , N  M oh d   Ali 4 , H   Musa 5   1 ,2,4 Fakult i   Kejur ute ra an  Ele k tri k ,  Univer sit i  T ekn ika l   Malay si a  M el ak a, Ma lay si a   2 ,3 Cent re   of Exc el l enc e   in   Robot ic   and  Industr ia l   Autom at ion,   Uni ver siti   Te kn ika l   Malay s ia Mel ak a,   Ma lay si a   3 Fa kult i   K ej urut era an   E le k tron i k   dan   K ej urut eraa n  Kom pute r ,   Uni ver siti   Te kn ika l   Malay s ia Mel ak a,   Ma lay si a   5 Fakult i  P engur u san  Te kno logi d an  T eknousa haw ana n  Technol og y ,   Univer si ti T ek nika l   Malay si a M el aka,  Ma lay si a       Art ic le  In f o     ABSTR A CT    Art ic le  history:   Re cei ved   Feb   23 , 201 8   Re vised  Ju l   19 ,  201 8   Accepte d  Aug   7 , 2 01 8       W ave le t  tra nsfor m   (W T)  has  recent l y   dr awn  the   at t ent ion  of  the   rese arc h ers   due  to   it s  pot ent i al   in  e lectr om y ogr aph y   ( E MG )  rec ognitio n  s y stem.   How eve r,   the   o pti m al   m othe r  wave let  sele c ti o n  remai ns  a  cha ll eng e  to  the  appl i ca t ion  of  W T  in  EMG  signal   proc essing.   Thi s  pape r  pr e sents  a  de t ai l  stud y   for  diffe r ent   m othe r  wav el e t  func ti on  in   discre te   wav elet  tra nsform   (DW T)  and  co nti nuous  wave l et   tr ansform   (CW T).     Additionally ,   the  per form anc e  of   diffe ren t  m othe r  wave l et   in  DW T  and  CWT   at   dif fer e n t   dec om positi on  l eve l  and  sc al e  ar e  al so  inve s ti g ated.   The   m ea n  ab solute   val u e  (MA V)  and  wave le ng th  (W L)  fea tur es  are   ext r ac t ed  from   each   CW T  and  rec onstruc te d  DW T  wave le t  coeffic i ent .   A  popul ar  m ac hine   learn ing  m et hod,   support  vec tor  m ac hine   (SV M)  is  emplo y ed  to  cl assif y   the   diff e ren t  t y pes  of  hand  m ovements.   The   result s  show ed  tha t  t h e  m ost  suita ble   m ot her   wave l et   in  CW T  are   Me xic an  h at   and  Sy m le t   6  at  sca l e   16  and  32,   resp ec t ive l y .   On   the   othe r  h and,   S y m le t  4  and  Dau bec hi es  4  at   th e  sec ond  dec om po siti on  le v el   are   found  to  be  the   opti m al   wave le t  in  D W T.   From   the   ana l y sis,  we  deduc ed   tha t  S y m le t   4  a t  the   sec ond   de co m positi on  le ve l  i n  DW T  is  the   m ost  suita bl e  m othe r  wave l et   for  accura t e  c la s sific a ti on  of  EMG  signal s  of  diff ere nt  h and   m ovements.   Ke yw or d:   Con ti nu ou s   w a velet   t ran s f or m   Discrete  w avel et   t ran s form   Ele ct ro m yogr a ph y   Mother   w a vele t   Patt ern   r eco gni ti on   Copyright   ©   201 8   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   Jingwei  T oo,    Faculty  of Elec tric al  Engineer ing ,   Un i ver sit i   Te knikal   Ma la ysi a Me la ka,   Hang T ua h  Jay a , 76100  D ur ia n  T unggal , Me la ka,   Ma la ysi a .   Em a il : ja m esjam es868@gm ail.co m       1.   INTROD U CTION     Ele ct ro m yogr a ph y  ( EMG)  si gn al   c on ta ins  r ic h  m us cl e  info rm at ion   that  can  be  us e d  in   cl inica l  and   reh a bili ta ti on   app li cat io n.   T he   po te ntial   of   E MG  sig nal  in  m yoel ect ric  con tr ol  has  been   wides pr ea d  si nc e  la st   two  decad e s  [ 1] .  EMG  si gn a l  reco r de d  f rom   a  con tract in g  m us cl e  no t  on ly   m easur es   the  tim e  detect ion   of   m us cl e  act ivatio n  but  al so   pro vid es  el ect rical   sign s   of  m us cular  beh a vior  [ 2] .  Re centl y,  t he  a naly sis  of   EMG  sign al   us in g  a   powe rful sig na l processi ng techn i qu e  h a s  be com e the att ention o f  the  r esea rch e rs.    In   bio m edical   sign a l  pr ocessi ng,  short  ti m e  Four ie r  T ra ns f or m   (S TFT) ,  w avelet   trans for m   (W T)  a nd  e m pirical   decom po sit ion   m ode  (EMD)   a re  frequ e ntly   us ed  [ 3] - [ 5] .  I n  the  previ ou s r esearc h,   it   has  bee n  f ound   that  W T  ou t pe rfor m ed  oth e r  tim e - fr eq uen cy   m et ho ds   in  di scrim inati ng   E MG  patte r ns   [ 3],[6] .  W T  e xhibit s  good  ti m e  reso l utio n  at   high  fr e quency  a nd  go od  f re quency  re so l utio n  at   l ow  f requ ency  c om po ne nts  [ 7] .    In  ge ne ral,  W T  can   be  cat egorized  into  di screte  and   co ntinuo us   f or m .  In   co ntinuo us  wav el et   tran sfor m   (C W T ),   t he  w avelet   trans f orm at ion   cha nge s  co ntin uous ly .  O n  one  side ,   discrete  wa ve le t  transfor m   ( D WT)   deco m po ses  th e sig nal into  m ulti reso luti on c oeffici ents  us in g hig h pass a nd lo w pass  f il te rs.     Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber  2 01 8   :   4221   -   4229   4222   Most  stu dies  t o  date  in dicat ed  the   perform a nces  of  C WT  a nd  D WT   we re  dep e ndin g  on  t he  sel ect io n  of  a  m oth er  w avelet   f un ct i on  [ 3],[8] - [ 10 ] .   I n  th e  past  stu di es,  Ka koty   et   al .  [ 8]   in vestig at ed  the   be st  m oth er  wav el et   in   D WT  a nd  C WT  at   dif fer e nt   scal e  an d  de com po sit ion   l evel.  T he  a uth ors  reco m m e nd e d  t he   Gau s sia n  an d  Sy m le t   8  to  be  the  op ti m al  m o ther  wa velet s  in  C W T  an d  D WT,   res pecti ve ly .  Ph inyom ark   et   al .  [11]   sugg est e d  that  the  us e  of  D WT  with  t he  Da ube chies   7  an d  8  to  e nsure  higher  cl a ssific at ion   acc ur acy .   Om ari  et  al .  [6]    stud ie d  four  m ot her   wa velet   fu nctio ns   at   fo ur  dif fere nt  deco m po sit io n  le vels.  The  au thors   repor te d  Sym l et   4  offe re d  th e  low  cl assi ficat ion   er r or   rate.  Pr e vious  st udie s  sh owe d  tha t  the  analy sis  of   bes t   m oth er  wa velet   in  WT  is  c riti cal ly   i m po rtant,  le a ding  to   the  op ti m u m   cl assifi cat ion   pe rfor m ance.  Howeve r ,   the sele ct ion o f  m oth er w a vel et  is rem ai ns  ch al le ng i ng in   m any areas.    The  best  m oth er   wa velet   is  m os tl y  su bj e ct   ind e pende nt ,  w hich   m eans  dif fer e nt  m oth er  wa velet   offer s   dif fer e nt   kind  of   pe rform ance  on  diff e ren t  s ubj ect .   I n  ad diti on ,   previ ou s   w orks   m os tl y  fo cus  on  four   t o  ei gh t  m oth er  w avelet s  in  the  c la ssific at ion   of   EMG  sig nals,  wh ic h  is  ins uff ic ie nt.  More over,  the  perf or m ance   of   m oth er   wa ve le t  at   diff e rent   scal e  an d  dec om po sit ion   le ve l  pro vid e  si gnific ant  dif fe rence   in   cl assifi ca ti on  perform ance.  I t  is  ob vious  th at   the  analy sis  of   the  m oth er   wav el et   in  CWT  an d  D WT   is  re m ai n  insuffici ent  and  uncl ear   in   EMG   patte r n  recog niti on .   T her e fore,   this  s tud y  ai m s  to  e valuate  t he  be st  m oth er  wa ve le t  in  C W T  a nd  D WT  by  em plo yi ng   a   la rg e   nu m ber   of  m oth e r  wav el et   f un ct io ns  wit h  diff e re nt  sc al e  an d  deco m po sit io n l evel, r es pecti ve ly .    This  pap e r  pr e sents  a  detai l  stud y  of   t he  sel ect ion   of   m othe r  wa velet   in  D WT  an d  C W T.  14  m oth e r   wav el et s  of  D WT  an d  12   m oth e r  wa velet s  of   C WT  at   three  dif fe re nt  de com po sit ion   l evels  an d  scal es  ar e   inv est igate d,   r especti vely .  T wo   popula r  fe at ur es  m ean  abso l ute  value  (MA V)   an d  w avelen gth   ( W L)  are   extracte d  f r om  each  wav el et   coeffic ie nt  for  perform ance  evaluati on.  T he   m ulti c la ss  su pport   vecto r  m a chine   (S VM )  is  u se d  to  cl assify   EMG  sign al   si nc e  it   of fer s  bet te r  perform ance  in  pr e vious  work   [8 ] , [ 12 ] .  Finall y,   the b e st m oth er wavelet   of   D WT  a nd C WT t hat offe r  the  best   cl assifi cat ion   perform ance ar e  po i nted.       2.   MA TE RIA L   AND RESE A RCH  METH OD   2.1.   EMG  data col le ction   This  stu dy  wa s  perform ed  on  te n  healt hy  su bject s  ( 8  m ales  and   2  fem al es)  with  m ean  age  of  28. 6    ( = 9.7 )  ye ars.  Each  sub j ect   pro vid e d  inf orm ed  con se nt  to  pa rtic ipate   in  the  e xp e rim ent.  A ddit ion a ll y,  al l  su bject s  we re  fr ee  from   neur ologica l  an d  m us cular  dis order.  T wo  w ear able  EMG   devi ces  nam ed  Shim m er   (S him m er3   Co ns e ns ys  EMG   De velo pm ent   Kits)  with  st and a r d  set ti ng  wer e   use d  i n  data  c ollec ti on .  T he   reso l ution   was  set   at   24   bits  with  a  gain  of   12.  The  EM G  sign al   was  gathe red   f ro m   fo ur  us ef ul  ha nd   m us cl es   nam ely  extens or   di gitorum   (ch 1),   flex or  ca rp i  rad ia li s  (c h2) ,  e xtens or  ca rp i  rad ia li s  lo ngus  (c h3)  an d  fl ex or  carp i  ul nar is  (c h4)  with  t wo   r efere nce  el ect r od e s  at   the  el bow .  The  si gn al   was  sam pled  at   1024   Hz  an d  ba nd - pass  filt ere d  be tween  20   a nd   500  Hz.   T he  s kin   was  sh a ve d  an d  cl eane d  with  al co ho l  pa d  be fore  the  e le ct ro de   placem ent.  The  su r face  el ect r od e s  wit h  30  m m   dia m e te r  wer e  us e d  an d  the  inter - el ect ro de  distance  w as  set   at   20 m m   to r e duce the c ro s sta lk. The  b i po la r e le ct ro de  con figurati on  was  s how n  in  Fig ure  1 .           Figure  1. Ele ct rodes  c onfi gur at ion       Subj ect   w as  s eat ed  com fo rta bly  on   a  chai r   with  the  ha nd  in  ne utral  posit ion.  The  s urface  EMG  sign al s  we re  re corde d  as  the  su bject   pe rfor m ed  te n  dif fer e nt   han d  m ov em ents  inclu ding  thu m b  flexio n  (M1),   thu m b  exten sion  (M 2) ,   w rist  flexi on   (M3 ),  wr ist   e xtensi on  (M 4) ,   m aki ng  a  fist  (M5 ) ,  pi nch  in dex  to  th e   thu m b   (M6) ,  pi nch   m idd le   to  the  thu m b  (M7),  pin c h  rin g  to  the  thu m b  (M8) ,  pin c h  li ttle  to  the  thu m b  (M9 )  Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708     A D et ail Stu dy of W avelet  Famil ie s for  EM G  P attern  Rec ogniti on (J ingw ei  Too)   4223   and   rest  (M1 0) .  The  e xp e rim ents  co ns ist ed  of   te n  tria ls.  W it hin   eac h  tria l,  the  subj ect   was  aske d  to  pe rfor m   te n  dif fer e nt  ha nd   m ov em ents  for  5  s  eac h,   fo ll owe d  by  a  resti ng   sta te   of   4  s.  Mo reove r ,  a  resti ng   pe riod   of   1  m in  was   intr oduce d  at   the   e nd  of  t rial   to  a vo i d  m ental   and  m us cl e  fati gu e .  T he   resti ng  sta te   was  r e m ov ed   befor e  d at a  seg m entat ion .    A  rece nt  re port  of   real  ti m e  E MG  ap plica ti on   in dicat ed  tha t  the  op ti m al   w indow  le ng t h  was  ra ngin g  from   15 0  to  250  m s  to  balance  the  co ntr oller  delay   an d  cl assifi cat ion   erro r  rate  [ 13 ] .  A ddit ion a ll y,  an  ov e rlap pe d  wi ndowin g  t ech ni qu e  was  intr oduce d  to  pro duce  bette r  cl as sific at ion   accu racy  in  EMG  patte rn  recog niti on   [14] . I n  this w ork, t he  EMG d at a  wer e  div ide d  i nto   250  m s w i ndow (2 56 sa m ples)  with 5 0%  ( 128  sam ples)  ov erl app e d.   I n  total ,   a  data  m a trix  of   39   segm ents  256  sam ples  4  cha nnel s  we r e  ob ta ine d  from   each m ov em ent f r om  each  subj ect .     Figure  2  s how s  the  flo w  diagr am   of   t he  pro posed   rec og niti on   syst e m .  In  the  first  st age,  t he  raw  EMG  sig nals  are  colle ct ed  and   se gm ented.   Ne xt,  MA V  an d  W L  fe at ur es  are  e xtr act ed  from   C WT  an d  reconstr ucted   D WT  co ef fici ents  at   di ff e ren t   scal e  an d  dec om po sit ion   le ve l  us in g  diff e r ent  m oth er  w a velet ,   re sp ect ively .  I n  the  final  st age,  t he  S VM   is  us e d  to  re cognize  the  E MG  sig nals  of  te n  dif fer e nt  ha nd  m ov e m ents.           Figure  2. The  fl ow   diag ram  o f  the  pro po se d r ecognit ion sy stem       2.2.   Wavel et Tr ansfo r m   Wav el et   tra nsf or m   ( W T )  is  a   powe rful  m ath em atical   too l  that  is  su cces sfu l  i n  the  a na ly sis  of   bi o - sign al   incl ud i ng  EMG  sig nal.   W T  offer s  hi gh   fr e quency  r esolutio n  f or  low  fr e quency  com po ne nt  an d  go od  tim e  reso luti on   f or   t he  high  f reque ncy  com pone nt  [ 13] .  G ener al ly ,  WT  can  be  cat e gor iz ed  int o  c on ti nuous  and  disc rete  f orm s.  Con ti nuous  wa ve le t  tra ns f or m   (C W T )   dec om po ses  t he  si gn al   base d  on  the  dilat ion s   a nd  translat ions  of  a  sing le   m oth er  wav el et   f unct ion .  C W T  is   m or e  con sist e nt  and   ef fici en t  becau se  it   prov i des   local iz at ion   ti m e - fr e qu e ncy  inf or m at ion   wi thout  do wn - sa m pl ing   [ 11] .  Additi on al ly ,  C W T  is  c on ti nuous  in  te rm  o f  sh ifti ng a nd it  g iv es  use fu l t im e - fr eq uen cy  i nfor m at ion   [ 15 ] . C WT  can be  de fine d as:     s, ( s, ) ( ) ( ) xb CW T b x t t d t   (1)     wh e re  x( t)   is   the  i nput  si gn al   an d  ψ s,b ( t )   is  the  transfor m at ion   of  the   m oth er   wa velet   f unct ion.     The  tra nsfo rm a ti on  ca n be e xp resse d  as:     Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber  2 01 8   :   4221   -   4229   4224   s, 1 () b tb t s s       (2)     wh e re  s   is  the  scal ing   pa ram e te r,   b   is  re ferre d  to  the  tra ns la ti on   pa ram et er  and   ( t)   is  ca lled  m oth er  wa ve le t.  The  va riables  s   and   b   prov i de   the  tim e  scaling   a nd   s hiftin g  operati on,  re sp ect ively   [16] .  By   us in g  e q ua ti on   1  and 2, C WT  ca n be c om pu te d as:     1 ( s, ) ( ) tb CW T b x t dt s s       (3)     Figure  3  dem on strat es  the  sc al ogram   of   CWT  at   scal e  32  us i ng   Me xican  hat  wa velet .  The  ye ll ow  areas  represe nt h ig he r  am plit ud e at ea c h  scal e. In t urn,   da rk b lue  areas  r e fe r  to  lo w  am plitu de .           Figure  3. Scal ogram  o f  c onti nuous  wa velet  tr ansfo rm  at scale 32 usin g  Me xican hat       Discrete  wa vel et   transfor m   (DWT)   is  der iv ed  f ro m   CWT  [17] .  D WT  is  m or e  widely   use d  becau se  it   offer s  l ow   c om pu ta ti on   cost   [11] .  I n  D W T,  the  sig nal  is  deco m po se d  int o  the  ap pr ox im at ion   and  detai l   coeffic ie nt  w hich  involve s  th e  change  of  sa m pl ing   rate  [ 18] .    The  dec om po sit ion   of   D WT  com pr ise s  of   tw o  dig it al   filt ers,   wh ic h  are  high - pass   an d  lo w - pass  filt ers.   T he   low - pas s  an d  high - pass  filt er  do wn - sam ple  the  input  sig na l  a nd  pro vid e  t he  appr ox im at ion ,  A   a nd  detai l,  D ,  res pecti vely   [ 11 ] , [19] .  F or   each  dec om posit ion   le vel, the  f il te r s down - sam ple the si gn al   by t he fact or of  2.  The first l ev el   of d ec om po sit ion i s  def ine d  a s:     D [ ] [ k ] [ 2 ] n n x h n k   (4)     A [ n ] [ k ] [ 2 ] n x g n k   (5)     wh e re  x[ k ]   is   the  input  sig nal,  D[ n ]   is  r efer red   t o  the   detai l,  D 1   an d  A[ n ]   is  t he   approxim at io n,   A 1 .    The  dec om po s it ion   process  is   rep eat ed  un ti l  the  desire d  fin al   le vel  is  achi eved.  I n  the  pr evio us   resea rc h,   eac h  coeffic ie nt  sub set   was  reconst ru ct e d  to  ob ta i n  m or e  reli able  EMG  sign al   pa rt,  resu lt in g  in   bette r  cl assifi cat ion   accuracy  [3 ] , [ 13 ] .  The refor e ,  the  in ve rse  wav el et   tra nsf or m   is  us ed  t o  reconstr uct  ea ch  wav el et   c oe ff ic ie nt  into  m or e  eff e ct ive  subset,  nam el y,  est i m ated   ap pro xim ati on,  rA   a nd   e sti m at ed  detai l,  rD .  F or   exam ple,  the   est i m at ed  su bse t  rD 3   is  obta ined  by  perfor m ing   the  i nve rse  wav el et   tr ansfo rm   on   th ird - le vel  detai l,  D 3 .    The  wa velet   reco nst ru ct io n  of   est i m a te d  detai l  ( rD 1 - rD 6 )  an d  est i m at ed  app r oxim a ti on   ( rA 1 - rA 6 )  we re  s how n  in Figu re  4.       Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708     A D et ail Stu dy of W avelet  Famil ie s for  EM G  P attern  Rec ogniti on (J ingw ei  Too)   4225       Figure  4.  W a ve le t reco ns tr uction o f D W T  at  sixth  dec om po sit ion  level  us i ng Sym let 4       2.3.   Mother  W av e le t  Sele cti on   and Ev alu at i on   Re cent  stud ie s   ind ic at ed  WT   has  been   rec ognized  a s  on e  of   t he  best  t i m e - fr eq ue ncy  m et ho d  i n  bio m edical   sign al   proces sin g  [3 ] ,[1 8],[20 ] .  Howe ver,  the  perform ance  of  W T  is  m os tl y  dep e nd i ng   on  the  m oth er  wav el e t  fu nctio n.   T he   sel ect ion   of   m oth e r  wav el et   is  rem a ined  cha ll eng in g  in  m a ny  areas.  The r efore,  this  w ork  ai m s   to  eval uate  th e  best  m oth er  wav el et   in  D WT  a nd   C WT   for  E MG  sig na l  processin g.   In   t his  stud y,  14   m oth er  wav el et s  in  D WT  an d  12  m oth er  wa ve le ts  in  CW T  are  inv e sti gated.   Ta ble  1  is  a  loo ku p  ta ble  of   the  m oth e r  wa velet   us e d  in  C W T  and   D WT.   It  is  worth  noti ng   diff e ren t  scal e  and   dec om po sit ion   le vel  in  C WT  and  D WT   pr ov ide  di ff e ren t  prop e rty .  F or  thi s  reas on,  t he  pe rfor m ance  of  the  m oth er  wa velet   at   the scal e  8,   16,  32 a nd d ec ompo sit io n  le vel  of 2,  4  a nd 6 ar e exam ined.       Table  1.  M oth e r  w avelet   of   C WT  a nd  D W T   us e d  in  this st udy     CWT   DW T   1   Haar   Haar   2   Dau b echi es 2   Dau b echi es 2   3   Dau b echi es 4   Dau b echi es 4   4   Dau b echi es 6   Dau b echi es 6   5   Sy m let 2   Dau b echi es 8   6   Sy m let 4   Dau b echi es 1 0   7   Sy m let 6   Sy m let 2   8   Morlet   Sy m let 4   9   Mayer   Sy m let 6   10   Mexican h at   Sy m let 8   11   Gau ss ian  2   Co if let 2   12   Gau ss ian  4   Co if let 3   13   -   Co if let 4   14   -   Co if let 5       2.4.   Feature E xt r ac tion usin g  W av el e t  Tr ansf or m   Feat ur e e xtract ion  is a n  esse nt ia l st ep  to r e duce the d im ension al it y an d  ext ract t he usef ul  inf or m at ion   from   the  sign a l.  In   this  w ork ,  wa velen gth   ( WL)   a nd  m ea n  abs ol ute  val ue  (M AV)  are   extracte d  fro m   each   wav el et  c oeffic ie nt.  MA V  a nd   W L  can  b e  express ed  as   [6] :     1 1 L n n M A V x L   (6)     Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber  2 01 8   :   4221   -   4229   4226   1 1 1 L nn n W L x x    (7)     wh e re  X n   is t he  input si gn al  a nd   L  is t he  len gth   of sig nal.     2.5.   Support  V ec t or Mac hine   Suppor t   vect or  m achine  (SV M)  ha s  been  pro ve d  to   be   an   outst an ding  s up e r vised  m achine  le a rn i ng   m et ho d  i n  EM G  patte rn  r ec ogniti on  [14] . Mo re ov e r,  SVM   has  s how n  i ts  superi or it y, especial ly   for  non - li near  and   high  dim e ns io nal  patte r n  recogn it io n  [ 21] .  SV M  m aps  the  pr e dictors   on to  a  high  di m ension al   spa ce  by   us in g  th e  co nc ept  of  hype rp l ane  par ti ti on  f or   t he  data  [22] .  So m e  dr a wbacks  of  S VM  are  the   com plexity   of  the  sel ect ion  of  kernel  f unct ion  an d  t he  l onger  com pu ta ti on  ti m e  [14] .  A   previ ou s   stu dy   repor te d  t hat  ra dial   basis  functi on  (RBF)  was  the   best  kernel  functi on   because   it   gav e  a  hig he r  cl assifi cat ion   perf or m anc e  [6] .  I n  this re gard,  S V M wit h  RB F  kernel  functi on i s appli ed  a nd it  can b e  de fine d as:     2 2 || || ( , ) e x p 2 i i xx K x x       (8)     wh e re  x - x i   is t he  Eu cl idea n dis ta nce b et wee n feat ur e  v e ct ors  and    is t he  k e rn el   par am et er.       3.   RESU LT S   A ND AN ALYSIS   In   this  w ork,   10 - f old   cr os s  validat io n  is  a pp li ed  in  the  c la ssific at ion   of  EMG  sign al s.   The  data  is  separ at e d  int o  10   eq ual  pa rts.   Eve ry  pa rt  ta ke s  tur n  to  te st  and  the  rem ai n ing   par ts  a re  use d  in  t rainin g  ph a se.   In   the  first  pa rt   of   the  experim ents,  14  m oth er  wav el et   f un ct ion s  in  D WT  a t  the  three  different  dec om posit ion   le vel  are  e valu at ed.   Ta bl e  2  ou tl ines  t he  m ean  cl assifi cat ion  accu racy  of   14  m oth er  wa velet s  of  D WT  at   a   deco m po sit io n  le vel  of   2,   4  and   6  acr os s  t en  di ff e ren t  s ubj ect s .   From   t he  res ults,  the   m ean  cl assifi cat ion   accuracy  is  found  to  be  a bove  97%  f or   al l  14   m oth er  wa velet   functi on s   in  bo th  WL  and   MA V  feat ure  set s.   Additi on al ly ,  MAV  has  sho wn   to  be  a n  ef fecti ve  an d  reli able  featu re  be cause  it   offer s  bette r  pe rfor m ance  in  discrim inati ng   EMG  patte r ns.  By   em plo yin g  MA V  featur e ,  it   is  ob vi ou s   that  t he  hi gh est   cl assifi cat ion  accuracy  is o bt ai ned  b y  Sym l et   4  ( 98.74% ),  f ollo we d  by Daub ec hies 4   ( 98. 72%)  at   the  s econd d ecom posit ion   le ve l .  On   the  ot her   ha nd,  Coif le t  3  ou tpe rform s   oth er  m oth er  wav el et s  wit h  a  m ean  cl assifi cat ion   accu r acy   of   98.49%  at   the fourth d ec om po sit ion   le vel  w he n  WL  is  us e d.  Fr om   the  anal ysi s,  Sy m le t  4  and  D a ub ec hie s  4  at   the sec ond dec om po sit ion  le ve l are fo und  t o be the  m os t suita ble m oth er wavelet  in D WT .       Table  2.  Cl assi ficat ion   Acc uracy   (m ean ±  S TD) of  14  Mot her  W a velet s  of DWT  at  T hr e e D if fer e nt  Deco m po s it io n Level   Across   Ten Su bject s   Moth er  wav elet   Clas sif icatio n  perfor m an ce  (%)     Moth er  wav elet   Clas sif icatio n  perfor m an ce  (%)   WL   MAV     WL   MAV   Haar   Level 2   9 7 .90  ±  1 .02   9 8 .43  ±  0 .88     Sy m  4   Level 2   9 8 .09  ±  0 .92   9 8 .74  ±  0 .66   Level 4   9 8 .00  ±  0 .90   9 8 .28  ±  0 .80       Level  4   9 8 .36  ±  0 .78   9 8 .53  ±  0 .67   Level 6   9 7 .28  ±  0 .94   9 7 .64  ±  0 .85       Level 6   9 7 .50  ±  0 .79   9 7 .67  ±  0 .81   Db  2   Level 2   9 7 .97  ±  1 .01   9 8 .63  ±  0 .68     Sy m  6   Level 2   9 8 .18  ±  0 .87   9 8 .67  ±  0 .76   Level 4   9 8 .31  ±  0 .72   9 8 .44  ±  0 .70       Level 4   9 8 .39  ±  0 .67   9 8 .55  ±  0 .68   Level 6   9 7 .32  ±  0 .94   9 7 .45  ±  0 .78       Level 6   9 7 .58  ±  0 .84   9 7 .65  ±  0 .87   Db  4   Level 2   9 8 .08  ±  0 .88   9 8 .72  ±  0 .67     Sy m  8   Level 2   9 8 .19  ±  0 .87   9 8 .70  ±  0 .71   Level 4   9 8 .36  ±  0 .78   9 8 .56  ±  0 .68       Level 4   9 8 .45  ±  0 .69   9 8 .57  ±  0 .72   Level 6   9 7 .36  ±  0 .91   9 7 .55  ±  0 .82       Level 6   9 7 .67  ±  0 .87   9 7 .74  ±  0 .85   Db  6   Level 2   9 8 .23  ±  0 .90   9 8 .65  ±  0 .73     Co if  2   Level 2   9 8 .10  ±  0 .90   9 8 .69  ±  0 .70   Level 4   9 8 .48  ±  0 .63   9 8 .53  ±  0 .69       Level 4   9 8 .34  ±  0 .79   9 8 .52  ±  0 .66   Level 6   9 7 .48  ±  0 .88   9 7 .52  ±  0 .85       Level 6   9 7 .59  ±  0 .91   9 7 .70  ±  0 .77   Db  8   Level 2   9 8 .20  ±  0 .90   9 8 .69  ±  0 .71     Co if  3   Level 2   9 8 .18  ±  0 .90   9 8 .69  ±  0 .71   Level 4   9 8 .44  ±  0 .67   9 8 .59  ±  0 .67       Level 4   9 8 .49  ±  0 .70   9 8 .62  ±  0 .62   Level 6   9 7 .57  ±  0 .74   9 7 .60  ±  0 .82       Level 6   9 7 .56  ±  0 .85   9 7 .71  ±  0 .73   Db  10   Level 2   9 8 .17  ±  0 .94   9 8 .70  ±  0 .68     Co if  4   Level 2   9 8 .22  ±  0 .93   9 8 .70  ±  0 .70   Level 4   9 8 .48  ±  0 .66   9 8 .62  ±  0 .60       Level 4   9 8 .42  ±  0 .74   9 8 .56  ±  0 .68   Level 6   9 7 .43  ±  0 .91   9 7 .49  ±  0 .88       Level 6   9 7 .61  ±  0 .83   9 7 .71  ±  0 .72   Sy m  2   Level 2   9 7 .97  ±  1 .01   9 8 .63  ±  0 .68     Co if  5   Level 2   9 8 .23  ±  0 .88   9 8 .70  ±  0 .71   Level 4   9 8 .31  ±  0 .72   9 8 .44  ±  0 .70       Level 4   9 8 .45  ±  0 .72   9 8 .56  ±  0 .59   Level 6   9 7 .32  ±  0 .94   9 7 .45  ±  0 .78       Level 6   9 7 .50  ±  0 .86   9 7 .59  ±  0 .85       Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708     A D et ail Stu dy of W avelet  Famil ie s for  EM G  P attern  Rec ogniti on (J ingw ei  Too)   4227   In  the  sec ond  pa rt  of  the   exp e rim ents,  12  m oth er  w avelet s  of  C WT  a re  st ud i ed.   Table  3  dem on strat es  the  m ean  cl assifi cat ion   acc ur a cy   of   12  m oth er  wa velet s  of  C W T  at   scal e  8,   16  an d  32  f or   te n  diff e re nt  sub j e ct s.  At  scal e  8,   Gaussi an  2  a nd  4  ex hib it   the   high est   cl assif ic at ion   accu rac y  of   98.42%  usi ng   WL  a nd  M AV  featu re  set s,  r especti vely .  H ow e ve r,   t heir  perform ance  di d  no t  sho w  m uch  im pr ov em ent  at   a   higher  scal e.  At  scal e  16,  it   has  bee n  f ou nd   t hat  the  Sym le t  6  achieve s  the  best  cl assifi cat ion   acc uracy   of  98. 56% ,  f ollo wed  by  Sym let  4,   98. 53%  w hen  MA V  is  use d.  F or   i ns ta nc e,  the   Me xica n  hat  ha s  s hown  it s   su pe rio rity  at scal e 3 2 wit h  th e b est  m ean cl assifi cat ion  acc ur acy  of  98.64 % in  W L  featu re s et . Unfo rtu natel y,  MAV  s hows  t he  dec rem ent  i n  cl assifi cat ion  perform ance  at   scal e  32 .  T his   sh ows  that  M AV   featu re  set   is   no t   su it able  f or   hi gh   scal e  wavel et   functi on   i n  C W T.  As  a  re su lt ,  the  m os t  su it able  m oth er  wa velet   in  CWT  are   Me xican hat  at  scale  32 a nd S ym let 6  at scal e 16.       Table  3.  Cl assi ficat ion   Acc uracy   (m ean ±   S TD) of  12  Mot her  W a velet s  of C WT  at   T hr e e D if f ere nt Sca le   Across  Ten  S ubj ect s   Moth er  wav elet   Clas sif icatio n  perfor m an ce  (%)     Moth er  wav elet   Clas sif icatio n  perfor m an ce  (%)   WL   MAV     WL   MAV   Haar   Scale 8   9 7 .70  ±  0 .96   9 8 .00  ±  1 .08     Sy m  6   Scale 8   9 8 .05  ±  0 .86   9 8 .17  ±  0 .97   Scale 16   9 8 .38  ±  0 .92   9 8 .31  ±  0 .96       Scale 16   9 8 .48  ±  0 .81   9 8 .56  ±  0 .74   Scale 32   9 8 .51  ±  0 .76   9 8 .19  ±  0 .79       Scale 32   9 8 .49  ±  0 .72   9 8 .35  ±  0 .73   Db  2   Scale 8   9 7 .88  ±  1 .01   9 8 .06  ±  1 .13     Morl   Scale 8   9 8 .00  ±  0 .83   9 8 .07  ±  0 .83   Scale 16   9 8 .44  ±  0 .88   9 8 .42  ±  0 .86       Scale 16   9 8 .40  ±  0 .86   9 8 .40  ±  0 .82   Scale 32   9 8 .50  ±  0 .72   9 8 .29  ±  0 .73       Scale 32   9 8 .34  ±  0 .74   9 8 .26  ±  0 .78   Db  4   Scale 8   9 7 .99  ±  0 .92   9 8 .13  ±  1 .03     Meyr   Scale 8   9 8 .06  ±  0 .95   9 8 .13  ±  0 .95   Scale 16   9 8 .46  ±  0 .90   9 8 .47  ±  0 .78       Scale 16   9 8 .45  ±  0 .84   9 8 .49  ±  0 .75   Scale 32   9 8 .45  ±  0 .76   9 8 .27  ±  0 .76       Scale 32   9 8 .36  ±  0 .79   9 8 .29  ±  0 .81   Db  6   Scale 8   9 7 .94  ±  1 .01   9 8 .08  ±  1 .08     Mexh   Scale 8   9 8 .36  ±  0 .82   9 8 .15  ±  0 .79   Scale 16   9 8 .41  ±  0 .93   9 8 .46  ±  0 .78       Scale 16   9 8 .08  ±  0 .76   9 7 .49   ± 0.8 1   Scale 32   9 8 .36  ±  0 .75   9 8 .27  ±  0 .76       Scale 32   9 8 .64  ±  0 .66   9 6 .26  ±  1 .00   Sy m  2   Scale 8   9 7 .88  ±  1 .01   9 8 .06  ±  1 .13     Gau s 2   Scale 8   9 8 .42  ±  0 .83   9 8 .35  ±  0 .84   Scale 16   9 8 .44  ±  0 .88   9 8 .42  ±  0 .86       Scale 16   9 8 .28  ±  0 .76   9 8 .00  ±  0 .77   Scale 32   9 8 .50   ± 0.7 2   9 8 .29  ±  0 .73       Scale 32   9 8 .50  ±  0 .67   9 7 .01  ±  0 .87   Sy m  4   Scale 8   9 8 .03  ±  0 .87   9 8 .18  ±  0 .99     Gau s 4   Scale 8   9 8 .39  ±  0 .93   9 8 .42  ±  0 .83   Scale 16   9 8 .48  ±  0 .83   9 8 .53  ±  0 .74       Scale 16   9 8 .48  ±  0 .70   9 8 .42  ±  0 .71   Scale 32   9 8 .52  ±  0 .69   9 8 .34  ±  0 .74       Scale 32   9 8 .31  ±  0 .69   9 7 .80  ±  0 .77       In   t he  final  pa rt  of  the   ex pe rim ents,  the  paire d  tw o - ta il   t - te st  is  us e d  to  m easur e  t he  sta ti sti cal  diff e re nce  bet ween   t he  cl assi ficat ion   perfor m ances  of  WL   and  MA V  feat ur es  w hen  dif f eren t  m oth er  w avelet  functi on  is  us e d.   Ta ble  4  an d  5  ou tl ine  the   resu lt   of   t - te st   of   t he  cl assifi cat ion   perform ance  ob ta ine d  from   D WT  a nd  C WT  acr os s  te n  s ubj ect s.   I n  t - te st,  the  null   hy po t hesis  is  reje ct ed  if  t he  p - va lue  is  le ss  t ha n  0.05.  This s h ow s  tha t t her e is a  stat ist ic al  d iffe ren c e b et wee n WL   and MA V feat ur e  sets.   Fr om   Table  4,  the  res ults  of  the  WL  a nd  M AV  are   sta ti stical   dif fer e nce  for  al l  wav el et   f un ct io ns  at   the  sec ond  dec om po sit ion   le ve l.  At  four t h  de com po sit ion   l evel,  the   p - value  il lus trat es  t hat  the  Da ub e c hies  6  and  Coi flet   5  sh ow   no  si gnific ant  diff e re nc e  w he n  WL  ver s us  MA V.   At  sixt h  decom po sit ion   le ve l,  onl y   Haar,  Da ub ec hies  4  a nd   Sy m le t  4  exh ibit   the  sign ific a nt   diff ere nce .  F ro m   Table  5,   Haar,  Sym le t  4  an d  Me xican  hat  s how  sig nifica nt   diff ere nce  in  scal e  8.   A dd it ion al ly ,  at   scal e  16 ,  on ly   Me xi can  hat,  Ga us s ia n  2  and   Ga us sia n  4  obta in  p - val ue  lo wer   t han   0.05.  Mo reove r,   ot her   t han   Daubec hies  6  and   Sym le t  6  exh i bit   sign ific a nt  differences  b et wee n  the  classi fica ti on   perform ance of  WL  a nd   MAV  at   scal e  32.       Table  4.  Res ult o f  t - te st  of  t he  Cl assifi cat ion   Perfo rm an ce  be tween M A V  a nd  WL usin g D WT   Moth er  wav elet   p  –   v alu e   Level 2   Level 4   Level 6   Haar   0 .00 0 7   0 .00 0 7   3E – 05   Db  2   0 .00 1 2   0 .01 9 5   0 .05 2 1   Db  4    0 .00 0 6   0 .00 8 7   0 .00 3 1   Db  6   0 .00 7 0   0 .37 5 4   0 .23 4 0   Db  8   0 .00 3 7   0 .01 8 5   0 .60 8 5   Db  10   0 .00 2 0   0 .00 3 6   0 .31 6 3   Sy m  2   0 .00 1 2   0 .01 9 5   0 .05 2 1   Sy m  4   0 .00 0 9   0 .00 5 7   0 .01 3 8   Sy m  6   0 .00 0 8   0 .00 4 6   0 .03 8 0   Sy m  8   0 .00 0 7   0 .02 8 9   0 .10 8 1   Co if  2   0 .00 1 2   0 .01 7 8   0 .08 5 4   Co if  3   0 .00 3 1   0 .01 0 9   0 .06 2 5   Co if  4   0 .00 3 1   0 .01 5 7   0 .05 0 4   Co if  5   0 .00 1 0   0 .08 6 0   0 .08 0 7   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber  2 01 8   :   4221   -   4229   4228   Table  5.  Res ult o f  t - te st  of  t he  Cl assifi cat ion   Perfo rm ance  be tween M A V  a nd  WL usin g  C WT.   Moth er  wav elet   p  –   v alu e   Scale 8   Scale 16   Scale 32   Haar   0 .03 7 7   0 .26 7 6   0 .00 0 3   Db  2   0 .05 3 9   0 .81 4 1   0 .00 0 3   Db  4    0 .11 0 4   0 .84 7 8   0 .01 0 4   Db  6   0 .05 2 5   0 .38 5 5   0 .06 7 0   Sy m  2   0 .05 3 9   0 .81 4 1   0 .00 0 3   Sy m  4   0 .04 0 9   0 .52 5 6   0 .00 3 7   Sy m  6   0 .06 2 5   0 .21 7 2   0 .05 2 6   Morl   0 .06 3 5   0 .91 6 2   0 .00 5 0   Meyr   0 .12 6 6   0 .38 6 5   0 .02 0 7   Mexh   3E – 05   7E – 07   2E – 06   Gau s 2   0 .28 6 4   7E – 05   7E – 07   Gau s 4   0 .56 8 3   0 .03 3 4   5E – 05       4.   CONCL US I O N     In   this  st ud y,   the  us ef uln e ss  of   the  m oth er  wa velet   functi on  in  D WT  an d  C WT  has  be e n  inv est igate d.   T wo   popula r  fea tures,   WL  a nd  MAV  a re  ext ra ct ed  from   the  wav el et   co ef fici ents  as  the  in pu t  to   the  SV M .  I n  C W T,  t he  Me xican  hat  at   sc al e  32   a nd  Sy m le t  6  at   sca le  16  are  s ugge s te d  to  be  the  optim a l   m oth er  wav el e t  sel ect ion   f or   the  cl assifi cat ion   of  EMG  sign al s .  O n  the   oth e r  ha nd,  t he   reconstr ucte d  D WT   coeffic ie nt  with  Da ub e chies  4  an d  Sym let  4  at   second  de com po sit ion   le vel  are  rec omm end ed  t o  be  us e d  in   EMG  patte r n  r ecognit ion.  T he   ex per im ental  res ults  ind ic at ed  D W T   not  only   offer e d  l ow  c om pu ta ti on  cost,  bu t  al so   yi el de d  a  high  cl assif ic at ion   accurac y.  As  com par ed  to  C W T ,  D WT  is  m or e  ap proar ia te   to  be  us e d  in   reh a bili ta ti on  a nd cli nical  app li cat ion .         ACKN OWLE DGE MENTS   The  aut hors  w ou l d  li ke  to  thank   the  Un i versi ti   Tekn ikal  Ma la ysi a  Mela ka  (UTeM ),   S kim   Za m al ah   UTeM  a nd   Mi nister  of  Higher  Ed uca ti on   Ma la ysi a  (MO HE)  f or  f undi ng   re search   un der  gr a nt   PJP/1/2 01 7/FKEKK/ H19/S 01 526.       REFERE NCE S     [1]   A.  Phin y om ark ,   et   al. ,   “ Feat ur e  red uction  and   sele ction  for  EMG  signal   cl a ss ifi ca ti on , ”  E x pert  Syst em  wit h   Appl ic a ti on ,   vol / issue:   39 ( 8 ) ,   pp.   7420 – 7431,   201 2.   [2]   G.  Vannoz z i,   e t   al. ,   “ Autom at i c  detec t ion  of  surfac e  EMG  ac t iva ti on  ti m ing  u sing  a  wave l et   tra nsform   base d   m et hod, ”   Journa l  of   Elec tromyography  and  Kin esiol ogy ,   vol /i ss ue :   20 ( 4 ) ,   pp.   767 – 772,   2010 .   [3]   A.  Phin y om ark ,   et   al. ,   “ Applica ti on  of  W ave le t   Anal y sis  in  E MG   Feat ure   Extrac t ion  for  Patt e rn  Cla ss ifi cation , ”  Me as urement   S c i ence   R ev iew ,   vo l /i ss ue:   11 ( 2 ) ,   pp .   45 – 52 ,   2011 .   [4]   A.   C.   Tsa i,  et   a l . ,   “ A  novel  STF T - ran king  featur e  of  m ult i - cha nn el   EMG  for  m ot ion  patter n  r ec o gnit ion,”  Ex pert   Syst em  wi th   App l ic at ion ,   vol / issue:   42 ( 7 ) ,   pp .   332 7 – 3341,   2015 .   [5]   R.   H.  Chowdhury ,   et   al .,  “ Surfa ce   Elec trom y ogr aph y   Sign al   Pro ce ss ing  and  Clas sifi ca ti on  Tech nique s , ”   S ensors ,   vol /i ss ue:   13 ( 9 ) ,   pp.   12431 - 1246 6,   2013 .   [6]   F.  A.  Om ari ,   et  al. ,   “ Patt e rn  R ec ogni ti on  of   E ight   Hand  Mot i ons  Us ing  Feature  Ex tra c ti on  of  Forea rm   EM G   Signal , ”  Proce e dings  of  the   Nati onal  Ac ademy   of   Sci ences,  India  Sec t ion  A:  Phy si cal   Sci en ce s ,   vol /i ss ue:   84 ( 3 ) ,   pp .   473 – 480,   2014 .   [7]   M.  R.   Cana l ,   “ Com par ison  of  W ave le t  and  Short  Ti m e  Fourie r  Tra nsform   Methods  in  the   Anal y s is  of  EMG   Signal s,”   Journa l  of   medi cal   syst ems,   vol / issue:   34 ( 1 ) ,   pp .   91 – 94 ,   2010.   [8]   N.  M.  Kakot y ,   e t  al. ,   “ Expl or ing   a  famil y   of  wav el e t  tra nsform s  for  EMG - base d  gra sp  rec ognition, ”  Signal ,   Image  and  Vi d eo Proces sing ,   vol / issue:   9 ( 3 ) ,   pp .   553 – 55 9,   2015 .   [9]   J.  Rafi e e,   et   a l. ,   “ W ave le t  b asi s  func ti ons  in  biomedic a l  sign al   proc essing, ”  Ex pert  S yst em  wit h   Appl ic at io n ,  vol /i ss ue:   38 ( 5 ) ,   pp.   6190 – 6201 ,   2011.   [10]   M.  Saini ,   e t  al. ,   “ Algorit hm   for   Fault   Locat ion  and  Cla ss ifi c at i on  on  Para ll e l  Tra nsm ission  Li ne  using  W ave l e t   base d  on  Cla rke ’s  Tra nsform at ion, ”  Int ernati o nal   J ournal   of  El e ct r ic a l  and   Comput ute r   Eng ine ering .   IJE C E ,  vol /i ss ue:   8 ( 2 ) ,   p p.   699 – 710 ,   201 8.   [11]   A.  Phin y om ark ,   et   al . ,   “ Feat ur e   Ext ra ct ion  and   Reduc ti on  of  W ave le t  Tra nsf orm   Coeff ic ie n t s  for  EMG  Patt ern   Cla ss ifi c at ion , ”   El e kt ronika   ir  Elek trot ec hni ka ,   v ol /i ss ue:   1 22 ( 6 ) ,   pp.   27 – 32 ,   2012 .   [12]   J.  Yous efi   and  A.  H .  W right ,   “ Chara c te ri zi ng  E MG   dat a  using  m ac hine - l ea rn in g  tool s,”   Comput er   in  Bi ol og y  a nd   Me d icine ,   vol .   5 1 ,   pp .   1 – 13 ,   201 4.   [13]   L.   H.   Sm it h,   et   a l. ,   “ Dete rm ini ng   the   Opt imal  W i ndow  Le ngth   for   Patt ern   Re cognition - Based  M y o el e ct ri c  Contro l:  Bal an ci ng  the   C om pet ing  Eff ect s  of  Cla ss ifi ca tion  Err or  and  Control ler  Delay , ”  IEE E  Tr ansacti ons  on  Neural   Syste ms   and  Re h abil it a ti on  Engi n ee ring ,   vol / issue:   19 ( 2 ) ,   pp.   186 – 192,   2011 .   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708     A D et ail Stu dy of W avelet  Famil ie s for  EM G  P attern  Rec ogniti on (J ingw ei  Too)   4229   [14]   M.  Hakone n,   et   al. ,   “ Curre n t  sta te   of  digital   sign al   proc essing  in  m y o elec tr ic   in terfac es  and  r elated  appl icat ions, ”   Bi omedi cal   S ign al  Proc essing  an d  Control ,   vol .   1 8,   pp .   334 – 359 ,   2015.   [15]   J.  Rafiee ,   et   a l. ,   “ Feat ure   ext r action  of   fore arm  EMG  signal s  fo r  prosthetics, ”  E xpe rt  S yst em  w i th  App li ca ti on ,  vol /i ss ue:   38 ( 4 ) ,   pp.   4058 – 4067 ,   2011.   [16]   L.   Fraiwa n ,   e t  al . ,   “ Autom at ed  sl ee p  stag e  ide n ti f ic a ti on  s y st em  base d  on  ti m e – fre quency   an aly sis  of  a  single   EE G   cha nne l  and  ran dom   fore st  cl assifie r , ”  Computer   methods  and  pr ogram s  in  biome d ic in e ,   vol / issue:   108 ( 1 ) ,   pp.   10 – 19,   2012 .   [17]   S.  H.  Cho,   et   al. ,   “ Ti m e - Freque nc y   Anal y sis  of   Pow er - Quali t y   Di sturbanc es  vi a  the   Gabor  W igne r  Tra nsform , ”  IEE E   transacti o ns on  power  d el i ve ry ,   vol /i ss ue:   25 ( 1 ) ,   pp .   494 – 49 9,   2010 .   [18]   A.  Subasi,   “ Cla s sific a ti on  of  EMG  signal s  using  PS O  opti m iz ed  SV M  for  dia gnosis  of  neur om uscula r  d isorder s, ”  Comput.   B iol.  M ed. ,   vol /i ss ue:   43 ( 5 ) ,   pp .   576 – 586 ,   2013 .   [19]   M.  H.  D.  Moham m adi ,   “ Im prov ed  Denoising  Method  for  Ultra s onic   Ec ho  wi th  Mother  W ave let   Opt imiza ti on  a nd   Best - Basis  Selec ti on, ”  Int ernat io nal   J ournal   of  E le c tr ic al  and   Co mput ute r   Eng in e ering.   IJ ECE ,   vo l /i ss ue:   6 ( 6 ) ,   pp.   2742 – 2754,   201 6.   [20]   A.  Subasi,   “ Cla ss ifi cation  of  EM G  signal s  using  combined  featur es  and  soft  computing  techniqu e s,”   Appl ied   Sof t   Comput ing ,   vo l /is sue:   12 ( 8 ) ,   pp.   2188 – 2198,   201 2.   [21]   S.  V.  S.  Prasad,  et   al . ,   “ Com par ison  of  Acc ura c y   Me asure s  for   RS   Im age   Cla ss ifi cation  using  SV M  and  ANN   Cla ss ifi ers,”  Int ernati onal   J ournal   of  E le c tr ic al   and   Comput uter   Eng ine ering .   I JE CE ,   vol / issue:   7 ( 3 ) ,   pp.   1180 – 1187,   2017 .   [22]   A.  Subasi  and  M.  I .   Gurs o y ,   “ EE G  signal   cl as sific a ti on  using  PC A,  ICA,  LDA  and  support  vec tor  m ac h ine s , ”   Ex pert   Syst em   w it h   Appl i cat ion ,   vol /i ss ue:   37 ( 12 ) ,   pp .   8659 – 8666 ,   2010.       BIOGR AP H I ES   OF  A UTH ORS          Too  Jing  W ei   has   rec ei ved  his  B.   Eng.   from   Univer siti   T ekni ka l  Malay s ia   in  201 7.   He  is  cur ren t l y   pursuing  his  M aste r  Eng .   in  Univer siti   T ekn ika l  Mal a y s ia.   His  rese arc h  ar ea s  are   in  sign al  proc essing,   class ifi c at ion   and   fe ature  sel ection  for   EMG pa ttern  r ecogniti on.         A ss oci at e  Prof. D r.   Abdul  Rahim   Bin  Abdulla h   has  recei ved  h is  B.   Eng.,  Mast er Eng. ,   PhD   Degre e  from   Univer siti   Te knologi   Ma lay sia  in  2001 ,   2004  and  2011  in  El e ct ri ca l  Eng in ee ring  and  Digi t al   Signal   Proce ss in g  respe c ti ve l y .   He  is  cur r ent l y   an  As socia t e  Pr ofe ss or  with  the  Depa rtment   of  El e ct ri ca l   Eng in ee ring   for  Univ e rsiti   Te knik al Mal a y si a  Mel aka ( UTe M).       Dr.  Norhashim ah  Bint i  Mohd  Saad  is  cur ren tly   working  as  a   senior  lectur er   in  Depa rtment  Com pute r,   FK EKK,  UTe M.  She  fini shed  h er  stud y   in   Bac h e lor  of  Engi n ee r ing,   Master   of   Engi ne eri ng  and   PhD   in  Medi cal   Im age   Proc essing  from   UTM, M al a y s ia.      Evaluation Warning : The document was created with Spire.PDF for Python.