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 porimpedancia eléctrica (EIS, por sus siglas en inglés) ha sido utilizada para identificar las condicionesde untejido bajo prueba, siendo potencialmente útil para el desarrollo de dispositivos de diagnóstico, monitoreo o reconocimiento del paciente. El usode 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 modeloRandom Forest obtuvoel 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.Wearable devices have become very prevalent in everyday life. Some of these devices have functions of acquisition of physiological signals that allow monitoring the health status of a person throughout the day, while using the device, so they have attracted interest in recent years. Electrical Impedance Spectroscopy (EIS) has been used to identify the conditions of a tissue under test, being potentially useful for the development of diagnostic devices, monitoring or recognition of the patient. The use of machine learning classifiers through EIS has been studied for the development of diagnostic assistance devices, biometric patient recognition, among other applications. In this work, we evaluate the use of EIS measurements on the biceps to identify the right or left arm, from which the measurements were taken. The performance of four classification models was evaluated: Random Forest, Linear Discriminant Analysis, K-Means and Naive Bayes, in order to identify their potential use in wearable devices. The Random Forest model obtained the best performance, reaching 100% of correct classifications in one of ten repetitions. More studies are necessary to better understand the results obtained, while evaluating the optimal selection of features and parameters to improve the overall performance of the classification models.