Métodos de segmentação automática de sinais de eletromiografia de superfície para classificação de movimentos utilizando redes neurais artificiais

Detalhes bibliográficos
Autor(a) principal: Cunha, Vicente Costamilan da
Data de Publicação: 2015
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional da UFRGS
Texto Completo: http://hdl.handle.net/10183/197192
Resumo: A segmentação de sinais de eletromiografia (EMG) é parte essencial da etapa de preprocessamento em aplicações de reconhecimento de movimentos e controle de próteses. Métodos de segmentação automática possibilitam a individualização de trechos de interesse do sinal correspondentes a esforços musculares e o descarte de trechos de sinal com baixa atividade muscular, por exemplo. Neste estudo, quatro métodos para segmentação automática de sinais de EMG de superfície, adaptados de outros trabalhos na área, foram propostos e implementados em MATLAB R2015a. Os métodos foram aplicados nos sinais da base de dados número 2 do projeto NinaPro (Non-Invasive Adaptive Prosthetics project) e nos sinais da base de dados adquiridos pelo Laboratório de Instrumentação Eletro-Eletrônica da UFRGS. Redes neurais artificais (RNA) foram utilizadas para classificar os sinais segmentados com os quatro métodos de segmentação entre 17 diferentes movimentos do segmento mão-braço. Resultados mostram ser possível utilizar segmentação automática baseada na detecção de picos com threshold para resultados de valor F médio de classificação acima de 91% entre diferentes classes de movimentos.
id UFRGS-2_456c40e9884b8be9bc2d8bb93921d478
oai_identifier_str oai:www.lume.ufrgs.br:10183/197192
network_acronym_str UFRGS-2
network_name_str Repositório Institucional da UFRGS
repository_id_str
spelling Cunha, Vicente Costamilan daBalbinot, Alexandre2019-07-20T02:34:08Z2015http://hdl.handle.net/10183/197192000988277A segmentação de sinais de eletromiografia (EMG) é parte essencial da etapa de preprocessamento em aplicações de reconhecimento de movimentos e controle de próteses. Métodos de segmentação automática possibilitam a individualização de trechos de interesse do sinal correspondentes a esforços musculares e o descarte de trechos de sinal com baixa atividade muscular, por exemplo. Neste estudo, quatro métodos para segmentação automática de sinais de EMG de superfície, adaptados de outros trabalhos na área, foram propostos e implementados em MATLAB R2015a. Os métodos foram aplicados nos sinais da base de dados número 2 do projeto NinaPro (Non-Invasive Adaptive Prosthetics project) e nos sinais da base de dados adquiridos pelo Laboratório de Instrumentação Eletro-Eletrônica da UFRGS. Redes neurais artificais (RNA) foram utilizadas para classificar os sinais segmentados com os quatro métodos de segmentação entre 17 diferentes movimentos do segmento mão-braço. Resultados mostram ser possível utilizar segmentação automática baseada na detecção de picos com threshold para resultados de valor F médio de classificação acima de 91% entre diferentes classes de movimentos.EMG signal segmentation is a key part of preprocessing in movement identification applications and prostheses control. Automatic segmentation methods allow for the separation of signal segments of interest due to muscular effort while discarding signal related to low muscular activity, for example. In this study, four different automatic segmentation methods for surface EMG signal are proposed, adapted from other works in the area, and written for MATLAB R2015a. The methods were applied to signals in the second NinaPro (Non-Invasive Adaptive Prosthetics project) database and signals that were acquired at the Electronic Instrumentation Laboratory (IEE) at UFRGS. Artificial neural networks (ANN) were designed for the classification of segmented signals with the four segmentation methods between 17 different hand and wrist movements. Results show it is possible to achieve mean classification F values above 91% throughout different single movement classes using automatic segmentation method based in constant threshold peak detection.application/pdfporEngenharia elétricaSurface eletromiographySignal segmentationArtificial neural networksMétodos de segmentação automática de sinais de eletromiografia de superfície para classificação de movimentos utilizando redes neurais artificiaisinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisUniversidade Federal do Rio Grande do SulEscola de EngenhariaPorto Alegre, BR-RS2015Engenharia Elétricagraduaçãoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT000988277.pdf.txt000988277.pdf.txtExtracted Texttext/plain105742http://www.lume.ufrgs.br/bitstream/10183/197192/2/000988277.pdf.txt79f294a8198a0dcfe5c6aaa5dbdead96MD52ORIGINAL000988277.pdfTexto completoapplication/pdf8935514http://www.lume.ufrgs.br/bitstream/10183/197192/1/000988277.pdf79799ed10dcc3affec616ef1775a06f3MD5110183/1971922019-07-26 02:31:15.78519oai:www.lume.ufrgs.br:10183/197192Repositório de PublicaçõesPUBhttps://lume.ufrgs.br/oai/requestopendoar:2019-07-26T05:31:15Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false
dc.title.pt_BR.fl_str_mv Métodos de segmentação automática de sinais de eletromiografia de superfície para classificação de movimentos utilizando redes neurais artificiais
title Métodos de segmentação automática de sinais de eletromiografia de superfície para classificação de movimentos utilizando redes neurais artificiais
spellingShingle Métodos de segmentação automática de sinais de eletromiografia de superfície para classificação de movimentos utilizando redes neurais artificiais
Cunha, Vicente Costamilan da
Engenharia elétrica
Surface eletromiography
Signal segmentation
Artificial neural networks
title_short Métodos de segmentação automática de sinais de eletromiografia de superfície para classificação de movimentos utilizando redes neurais artificiais
title_full Métodos de segmentação automática de sinais de eletromiografia de superfície para classificação de movimentos utilizando redes neurais artificiais
title_fullStr Métodos de segmentação automática de sinais de eletromiografia de superfície para classificação de movimentos utilizando redes neurais artificiais
title_full_unstemmed Métodos de segmentação automática de sinais de eletromiografia de superfície para classificação de movimentos utilizando redes neurais artificiais
title_sort Métodos de segmentação automática de sinais de eletromiografia de superfície para classificação de movimentos utilizando redes neurais artificiais
author Cunha, Vicente Costamilan da
author_facet Cunha, Vicente Costamilan da
author_role author
dc.contributor.author.fl_str_mv Cunha, Vicente Costamilan da
dc.contributor.advisor1.fl_str_mv Balbinot, Alexandre
contributor_str_mv Balbinot, Alexandre
dc.subject.por.fl_str_mv Engenharia elétrica
topic Engenharia elétrica
Surface eletromiography
Signal segmentation
Artificial neural networks
dc.subject.eng.fl_str_mv Surface eletromiography
Signal segmentation
Artificial neural networks
description A segmentação de sinais de eletromiografia (EMG) é parte essencial da etapa de preprocessamento em aplicações de reconhecimento de movimentos e controle de próteses. Métodos de segmentação automática possibilitam a individualização de trechos de interesse do sinal correspondentes a esforços musculares e o descarte de trechos de sinal com baixa atividade muscular, por exemplo. Neste estudo, quatro métodos para segmentação automática de sinais de EMG de superfície, adaptados de outros trabalhos na área, foram propostos e implementados em MATLAB R2015a. Os métodos foram aplicados nos sinais da base de dados número 2 do projeto NinaPro (Non-Invasive Adaptive Prosthetics project) e nos sinais da base de dados adquiridos pelo Laboratório de Instrumentação Eletro-Eletrônica da UFRGS. Redes neurais artificais (RNA) foram utilizadas para classificar os sinais segmentados com os quatro métodos de segmentação entre 17 diferentes movimentos do segmento mão-braço. Resultados mostram ser possível utilizar segmentação automática baseada na detecção de picos com threshold para resultados de valor F médio de classificação acima de 91% entre diferentes classes de movimentos.
publishDate 2015
dc.date.issued.fl_str_mv 2015
dc.date.accessioned.fl_str_mv 2019-07-20T02:34:08Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10183/197192
dc.identifier.nrb.pt_BR.fl_str_mv 000988277
url http://hdl.handle.net/10183/197192
identifier_str_mv 000988277
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.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFRGS
instname:Universidade Federal do Rio Grande do Sul (UFRGS)
instacron:UFRGS
instname_str Universidade Federal do Rio Grande do Sul (UFRGS)
instacron_str UFRGS
institution UFRGS
reponame_str Repositório Institucional da UFRGS
collection Repositório Institucional da UFRGS
bitstream.url.fl_str_mv http://www.lume.ufrgs.br/bitstream/10183/197192/2/000988277.pdf.txt
http://www.lume.ufrgs.br/bitstream/10183/197192/1/000988277.pdf
bitstream.checksum.fl_str_mv 79f294a8198a0dcfe5c6aaa5dbdead96
79799ed10dcc3affec616ef1775a06f3
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)
repository.mail.fl_str_mv
_version_ 1815447244917178368

Registros relacionados