Redes neurais artificiais aplicadas à classificação de gestos da mão através de sinais eletromiográficos
Autor(a) principal: | |
---|---|
Data de Publicação: | 2019 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFBA |
Texto Completo: | http://repositorio.ufba.br/ri/handle/ri/29351 |
Resumo: | Este trabalho visa o reconhecimento e classificação dos gestos da mão a partir de sinais eletromiográficos (EMG) obtidos através de uma braçadeira Myo®, que possui oito eletrodos de classe médica. Cada eletrodo fornece uma informação referente à contração muscular realizada na execução do movimento. Esses sinais serão processados para a obtenção de uma “assinatura” padrão para possibilitar o treinamento da rede neural artificial (RNA). Essas assinaturas serão extraídas para cada tipo de movimento e, em seguida, um método de mapeamento adequado é aplicado para classificar os sinais EMG. É realizada uma comparação entre os algoritmos Resilent Backpropagation (Rprop) e Levenberg-Marquardt (LM) em todos os conjuntos de dados treinados. Foram escolhidos cinco movimentos para classificação e utilizados conjuntos de dados com até sete características. Dentre os 144 testes executados, o melhor resultado obtido foi de 88,2% com o Rprop e de 88,4% com o LM. Porém, de forma geral, o algoritmo Rprop apresentou melhor desempenho na maioria dos testes, quando comparado ao LM, sendo o tempo de treinamento a diferença mais significativa entre ambos. Espera-se com esse trabalho expandir as pesquisas na área de Tecnologia Assistiva (TA) para conquistar formas alternativas de inclusão social e melhorar a autonomia de pessoas com deficiência ou mobilidade reduzida dos membros superiores. |
id |
UFBA-2_29647e21e47198326c81ac2afbb89ed8 |
---|---|
oai_identifier_str |
oai:repositorio.ufba.br:ri/29351 |
network_acronym_str |
UFBA-2 |
network_name_str |
Repositório Institucional da UFBA |
repository_id_str |
1932 |
spelling |
Fonseca, Michelle Gusmão Burgos daConceição, André Gustavo ScolariSimas Filho, Eduardo Furtado deSilva, Fabrício Gerônimo SimõesFernandes Junior, Antônio Carlos Lopes2019-04-23T20:29:41Z2019-04-23T20:29:41Z2019-04-232019-02-18http://repositorio.ufba.br/ri/handle/ri/29351Este trabalho visa o reconhecimento e classificação dos gestos da mão a partir de sinais eletromiográficos (EMG) obtidos através de uma braçadeira Myo®, que possui oito eletrodos de classe médica. Cada eletrodo fornece uma informação referente à contração muscular realizada na execução do movimento. Esses sinais serão processados para a obtenção de uma “assinatura” padrão para possibilitar o treinamento da rede neural artificial (RNA). Essas assinaturas serão extraídas para cada tipo de movimento e, em seguida, um método de mapeamento adequado é aplicado para classificar os sinais EMG. É realizada uma comparação entre os algoritmos Resilent Backpropagation (Rprop) e Levenberg-Marquardt (LM) em todos os conjuntos de dados treinados. Foram escolhidos cinco movimentos para classificação e utilizados conjuntos de dados com até sete características. Dentre os 144 testes executados, o melhor resultado obtido foi de 88,2% com o Rprop e de 88,4% com o LM. Porém, de forma geral, o algoritmo Rprop apresentou melhor desempenho na maioria dos testes, quando comparado ao LM, sendo o tempo de treinamento a diferença mais significativa entre ambos. Espera-se com esse trabalho expandir as pesquisas na área de Tecnologia Assistiva (TA) para conquistar formas alternativas de inclusão social e melhorar a autonomia de pessoas com deficiência ou mobilidade reduzida dos membros superiores.This project aims the recognition and classification of hand gestures using electromyographic signals (EMG) obtained through a Myo® armband, which has eight medical electrodes. Each electrode provides signal information regarding muscle contraction performed in the execution of the movement. These signals will be processed to obtain a standard "signature" to enable artificial neural network (ANN) training. These signatures will be extracted for each type of movement, and then a suitable mapping method is applied to classify the EMG signals. A comparison between the Resilent Backpropagation (Rprop) and Levenberg-Marquardt (LM) algorithms is performed on all trained datasets. Five motions were chosen for classification and data sets with up to seven characteristics were used. Among the 144 tests performed, the best result was 88.2% to Rprop and 88.4% to LM. However, in general, the Rprop algorithm presented better performance in most of the tests when compared to LM, the training time being the most significant difference between both. This work is expected to expand research in the area of Assistive Technology (AT) to achieve alternative forms of social inclusion and improve the autonomy of people with disabilities or reduced mobility of the upper limbs.Submitted by Michelle Fonseca (michelle.gbf@gmail.com) on 2019-04-10T20:57:43Z No. of bitstreams: 1 REDES NEURAIS ARTIFICIAIS APLICADAS À CLASSIFICAÇÃO DE GESTOS.pdf: 6723356 bytes, checksum: 3a72811006be7aba089a7856a32ec921 (MD5)Approved for entry into archive by Flávia Sousa (flaviabs@ufba.br) on 2019-04-23T20:29:41Z (GMT) No. of bitstreams: 1 REDES NEURAIS ARTIFICIAIS APLICADAS À CLASSIFICAÇÃO DE GESTOS.pdf: 6723356 bytes, checksum: 3a72811006be7aba089a7856a32ec921 (MD5)Made available in DSpace on 2019-04-23T20:29:41Z (GMT). No. of bitstreams: 1 REDES NEURAIS ARTIFICIAIS APLICADAS À CLASSIFICAÇÃO DE GESTOS.pdf: 6723356 bytes, checksum: 3a72811006be7aba089a7856a32ec921 (MD5)FapesbEngenharia ElétricaRedes neurais artificiaisSinais eletromiográficosReconhecimento e classificação de gestosRedes neurais artificiais aplicadas à classificação de gestos da mão através de sinais eletromiográficosinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisEscola Politécnica, Departamento de Engenharia ElétricaEngenharia ElétricaUFBABrasilinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFBAinstname:Universidade Federal da Bahia (UFBA)instacron:UFBAORIGINALREDES NEURAIS ARTIFICIAIS APLICADAS À CLASSIFICAÇÃO DE GESTOS.pdfREDES NEURAIS ARTIFICIAIS APLICADAS À CLASSIFICAÇÃO DE GESTOS.pdfapplication/pdf6723356https://repositorio.ufba.br/bitstream/ri/29351/1/REDES%20NEURAIS%20ARTIFICIAIS%20APLICADAS%20%c3%80%20CLASSIFICA%c3%87%c3%83O%20DE%20GESTOS.pdf3a72811006be7aba089a7856a32ec921MD51LICENSElicense.txtlicense.txttext/plain1383https://repositorio.ufba.br/bitstream/ri/29351/2/license.txt690bb9e0ab0d79c4ae420a800ae539f0MD52TEXTREDES NEURAIS ARTIFICIAIS APLICADAS À CLASSIFICAÇÃO DE GESTOS.pdf.txtREDES NEURAIS ARTIFICIAIS APLICADAS À CLASSIFICAÇÃO DE GESTOS.pdf.txtExtracted texttext/plain165144https://repositorio.ufba.br/bitstream/ri/29351/3/REDES%20NEURAIS%20ARTIFICIAIS%20APLICADAS%20%c3%80%20CLASSIFICA%c3%87%c3%83O%20DE%20GESTOS.pdf.txtf1a8704a2e57ee4611a356ee49d975beMD53ri/293512022-03-10 15:31:28.845oai:repositorio.ufba.br:ri/29351VGVybW8gZGUgTGljZW4/P2EsIG4/P28gZXhjbHVzaXZvLCBwYXJhIG8gZGVwPz9zaXRvIG5vIFJlcG9zaXQ/P3JpbyBJbnN0aXR1Y2lvbmFsIGRhIFVGQkEuCgogUGVsbyBwcm9jZXNzbyBkZSBzdWJtaXNzPz9vIGRlIGRvY3VtZW50b3MsIG8gYXV0b3Igb3Ugc2V1IHJlcHJlc2VudGFudGUgbGVnYWwsIGFvIGFjZWl0YXIgCmVzc2UgdGVybW8gZGUgbGljZW4/P2EsIGNvbmNlZGUgYW8gUmVwb3NpdD8/cmlvIEluc3RpdHVjaW9uYWwgZGEgVW5pdmVyc2lkYWRlIEZlZGVyYWwgZGEgQmFoaWEgCm8gZGlyZWl0byBkZSBtYW50ZXIgdW1hIGM/P3BpYSBlbSBzZXUgcmVwb3NpdD8/cmlvIGNvbSBhIGZpbmFsaWRhZGUsIHByaW1laXJhLCBkZSBwcmVzZXJ2YT8/Pz9vLiAKRXNzZXMgdGVybW9zLCBuPz9vIGV4Y2x1c2l2b3MsIG1hbnQ/P20gb3MgZGlyZWl0b3MgZGUgYXV0b3IvY29weXJpZ2h0LCBtYXMgZW50ZW5kZSBvIGRvY3VtZW50byAKY29tbyBwYXJ0ZSBkbyBhY2Vydm8gaW50ZWxlY3R1YWwgZGVzc2EgVW5pdmVyc2lkYWRlLgoKIFBhcmEgb3MgZG9jdW1lbnRvcyBwdWJsaWNhZG9zIGNvbSByZXBhc3NlIGRlIGRpcmVpdG9zIGRlIGRpc3RyaWJ1aT8/Pz9vLCBlc3NlIHRlcm1vIGRlIGxpY2VuPz9hIAplbnRlbmRlIHF1ZToKCiBNYW50ZW5kbyBvcyBkaXJlaXRvcyBhdXRvcmFpcywgcmVwYXNzYWRvcyBhIHRlcmNlaXJvcywgZW0gY2FzbyBkZSBwdWJsaWNhPz8/P2VzLCBvIHJlcG9zaXQ/P3Jpbwpwb2RlIHJlc3RyaW5naXIgbyBhY2Vzc28gYW8gdGV4dG8gaW50ZWdyYWwsIG1hcyBsaWJlcmEgYXMgaW5mb3JtYT8/Pz9lcyBzb2JyZSBvIGRvY3VtZW50bwooTWV0YWRhZG9zIGVzY3JpdGl2b3MpLgoKIERlc3RhIGZvcm1hLCBhdGVuZGVuZG8gYW9zIGFuc2Vpb3MgZGVzc2EgdW5pdmVyc2lkYWRlIGVtIG1hbnRlciBzdWEgcHJvZHU/Pz8/byBjaWVudD8/ZmljYSBjb20gCmFzIHJlc3RyaT8/Pz9lcyBpbXBvc3RhcyBwZWxvcyBlZGl0b3JlcyBkZSBwZXJpPz9kaWNvcy4KCiBQYXJhIGFzIHB1YmxpY2E/Pz8/ZXMgc2VtIGluaWNpYXRpdmFzIHF1ZSBzZWd1ZW0gYSBwb2w/P3RpY2EgZGUgQWNlc3NvIEFiZXJ0bywgb3MgZGVwPz9zaXRvcyAKY29tcHVscz8/cmlvcyBuZXNzZSByZXBvc2l0Pz9yaW8gbWFudD8/bSBvcyBkaXJlaXRvcyBhdXRvcmFpcywgbWFzIG1hbnQ/P20gYWNlc3NvIGlycmVzdHJpdG8gCmFvIG1ldGFkYWRvcyBlIHRleHRvIGNvbXBsZXRvLiBBc3NpbSwgYSBhY2VpdGE/Pz8/byBkZXNzZSB0ZXJtbyBuPz9vIG5lY2Vzc2l0YSBkZSBjb25zZW50aW1lbnRvCiBwb3IgcGFydGUgZGUgYXV0b3Jlcy9kZXRlbnRvcmVzIGRvcyBkaXJlaXRvcywgcG9yIGVzdGFyZW0gZW0gaW5pY2lhdGl2YXMgZGUgYWNlc3NvIGFiZXJ0by4KRepositório InstitucionalPUBhttp://192.188.11.11:8080/oai/requestopendoar:19322022-03-10T18:31:28Repositório Institucional da UFBA - Universidade Federal da Bahia (UFBA)false |
dc.title.pt_BR.fl_str_mv |
Redes neurais artificiais aplicadas à classificação de gestos da mão através de sinais eletromiográficos |
title |
Redes neurais artificiais aplicadas à classificação de gestos da mão através de sinais eletromiográficos |
spellingShingle |
Redes neurais artificiais aplicadas à classificação de gestos da mão através de sinais eletromiográficos Fonseca, Michelle Gusmão Burgos da Engenharia Elétrica Redes neurais artificiais Sinais eletromiográficos Reconhecimento e classificação de gestos |
title_short |
Redes neurais artificiais aplicadas à classificação de gestos da mão através de sinais eletromiográficos |
title_full |
Redes neurais artificiais aplicadas à classificação de gestos da mão através de sinais eletromiográficos |
title_fullStr |
Redes neurais artificiais aplicadas à classificação de gestos da mão através de sinais eletromiográficos |
title_full_unstemmed |
Redes neurais artificiais aplicadas à classificação de gestos da mão através de sinais eletromiográficos |
title_sort |
Redes neurais artificiais aplicadas à classificação de gestos da mão através de sinais eletromiográficos |
author |
Fonseca, Michelle Gusmão Burgos da |
author_facet |
Fonseca, Michelle Gusmão Burgos da |
author_role |
author |
dc.contributor.author.fl_str_mv |
Fonseca, Michelle Gusmão Burgos da |
dc.contributor.advisor1.fl_str_mv |
Conceição, André Gustavo Scolari |
dc.contributor.advisor-co1.fl_str_mv |
Simas Filho, Eduardo Furtado de |
dc.contributor.referee1.fl_str_mv |
Silva, Fabrício Gerônimo Simões Fernandes Junior, Antônio Carlos Lopes |
contributor_str_mv |
Conceição, André Gustavo Scolari Simas Filho, Eduardo Furtado de Silva, Fabrício Gerônimo Simões Fernandes Junior, Antônio Carlos Lopes |
dc.subject.cnpq.fl_str_mv |
Engenharia Elétrica |
topic |
Engenharia Elétrica Redes neurais artificiais Sinais eletromiográficos Reconhecimento e classificação de gestos |
dc.subject.por.fl_str_mv |
Redes neurais artificiais Sinais eletromiográficos Reconhecimento e classificação de gestos |
description |
Este trabalho visa o reconhecimento e classificação dos gestos da mão a partir de sinais eletromiográficos (EMG) obtidos através de uma braçadeira Myo®, que possui oito eletrodos de classe médica. Cada eletrodo fornece uma informação referente à contração muscular realizada na execução do movimento. Esses sinais serão processados para a obtenção de uma “assinatura” padrão para possibilitar o treinamento da rede neural artificial (RNA). Essas assinaturas serão extraídas para cada tipo de movimento e, em seguida, um método de mapeamento adequado é aplicado para classificar os sinais EMG. É realizada uma comparação entre os algoritmos Resilent Backpropagation (Rprop) e Levenberg-Marquardt (LM) em todos os conjuntos de dados treinados. Foram escolhidos cinco movimentos para classificação e utilizados conjuntos de dados com até sete características. Dentre os 144 testes executados, o melhor resultado obtido foi de 88,2% com o Rprop e de 88,4% com o LM. Porém, de forma geral, o algoritmo Rprop apresentou melhor desempenho na maioria dos testes, quando comparado ao LM, sendo o tempo de treinamento a diferença mais significativa entre ambos. Espera-se com esse trabalho expandir as pesquisas na área de Tecnologia Assistiva (TA) para conquistar formas alternativas de inclusão social e melhorar a autonomia de pessoas com deficiência ou mobilidade reduzida dos membros superiores. |
publishDate |
2019 |
dc.date.submitted.none.fl_str_mv |
2019-02-18 |
dc.date.accessioned.fl_str_mv |
2019-04-23T20:29:41Z |
dc.date.available.fl_str_mv |
2019-04-23T20:29:41Z |
dc.date.issued.fl_str_mv |
2019-04-23 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://repositorio.ufba.br/ri/handle/ri/29351 |
url |
http://repositorio.ufba.br/ri/handle/ri/29351 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Escola Politécnica, Departamento de Engenharia Elétrica |
dc.publisher.program.fl_str_mv |
Engenharia Elétrica |
dc.publisher.initials.fl_str_mv |
UFBA |
dc.publisher.country.fl_str_mv |
Brasil |
publisher.none.fl_str_mv |
Escola Politécnica, Departamento de Engenharia Elétrica |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFBA instname:Universidade Federal da Bahia (UFBA) instacron:UFBA |
instname_str |
Universidade Federal da Bahia (UFBA) |
instacron_str |
UFBA |
institution |
UFBA |
reponame_str |
Repositório Institucional da UFBA |
collection |
Repositório Institucional da UFBA |
bitstream.url.fl_str_mv |
https://repositorio.ufba.br/bitstream/ri/29351/1/REDES%20NEURAIS%20ARTIFICIAIS%20APLICADAS%20%c3%80%20CLASSIFICA%c3%87%c3%83O%20DE%20GESTOS.pdf https://repositorio.ufba.br/bitstream/ri/29351/2/license.txt https://repositorio.ufba.br/bitstream/ri/29351/3/REDES%20NEURAIS%20ARTIFICIAIS%20APLICADAS%20%c3%80%20CLASSIFICA%c3%87%c3%83O%20DE%20GESTOS.pdf.txt |
bitstream.checksum.fl_str_mv |
3a72811006be7aba089a7856a32ec921 690bb9e0ab0d79c4ae420a800ae539f0 f1a8704a2e57ee4611a356ee49d975be |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFBA - Universidade Federal da Bahia (UFBA) |
repository.mail.fl_str_mv |
|
_version_ |
1808459589167874048 |