Machine learning by means of electrical impedance spectroscopy measurements for the classification of upper limbs

Abstract

Los dispositivos wearables, como se les llama en inglés, se han vuelto muy prevalentes en la vida cotidiana. Algunos de estos dispositivos tienen funciones de adquisición de señales fisiológicas que permiten monitorear el estado de salud de una persona a lo largo del día, mientras se utilice el dispositivo, por lo que han atraído interés en los últimos años. La espectroscopía por impedancia (EIS, por sus siglas en inglés) ha sido utilizada para identificar las condiciones de un tejido bajo prueba, siendo potencialmente útil para el desarrollo de dispositivos de diagnóstico, monitoreo o reconocimiento del paciente. El uso de clasificadores de aprendizaje de máquina por medio de EIS ha sido estudiado para el desarrollo de dispositivos de asistencia al diagnóstico, reconocimiento biométrico de pacientes, entre otras aplicaciones. En este trabajo, evaluamos el uso de mediciones de EIS en bíceps para identificar el brazo, derecho o izquierdo, del cual se tomaron las mediciones. Se evaluó el desempeño de 4 modelos de clasificación: Random Forest, Linear Discriminant Analysis, K-Means y Naive Bayes, con el fin de identificar su posible utilidad en dispositivos wearables. El modelo Random Forest obtuvo el mejor desempeño, alcanzando el 100% de clasificaciones correctas en una de 10 repeticiones. Más estudios son necesarios para comprender mejor los resultados obtenidos, al mismo tiempo de evaluar la selección óptima de rasgos y parámetros para mejorar el desempeño general de los modelos de clasificación.