Caracterização dos sinais mioelétricos dos movimentos do segmento mão braço através de redes neurais artificiais e algoritmos genéticos

Detalhes bibliográficos
Autor(a) principal: Schons, Lucas
Data de Publicação: 2014
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional da UFRGS
Texto Completo: http://hdl.handle.net/10183/183439
Resumo: O projeto tem como objetivo caracterizar sinais mioelétricos provenientes do segmento mão braço através de redes neurais e algoritmos genéticos. Os sinais mioelétricos usados no projeto são provenientes de uma base de dados. Nesses sinais são aplicadas etapas de preprocessamento e extração de características. Uma vez de posse das características do sinal mioelétrico, o algoritmo genético é usado para gerar um conjunto de parâmetros de entrada para a rede neural, esses parâmetros incluem a formatação dos dados de entrada, assim como a estrutura da rede neural usada. As redes neurais são usadas para classificar os sinais mioelétricos de acordo com o movimento que foi realizado. O algoritmo genético então avalia o resultado da rede neural e evolui seus parâmetros de entrada, afim de encontrar a configuração com o melhor desempenho. A média do melhor resultado dos voluntários foi de 77.7%. Entre todos os resultados, a maior taxa de acerto foi de 93.8%. O resultado é satisfatório, pois apresenta uma taxa de acerto regular quando comparado com outros trabalhos desse mesmo segmento.
id UFRGS-2_8bb19b112f5459d4490fb73473d92415
oai_identifier_str oai:www.lume.ufrgs.br:10183/183439
network_acronym_str UFRGS-2
network_name_str Repositório Institucional da UFRGS
repository_id_str
spelling Schons, LucasBalbinot, Alexandre2018-10-16T02:43:19Z2014http://hdl.handle.net/10183/183439000952904O projeto tem como objetivo caracterizar sinais mioelétricos provenientes do segmento mão braço através de redes neurais e algoritmos genéticos. Os sinais mioelétricos usados no projeto são provenientes de uma base de dados. Nesses sinais são aplicadas etapas de preprocessamento e extração de características. Uma vez de posse das características do sinal mioelétrico, o algoritmo genético é usado para gerar um conjunto de parâmetros de entrada para a rede neural, esses parâmetros incluem a formatação dos dados de entrada, assim como a estrutura da rede neural usada. As redes neurais são usadas para classificar os sinais mioelétricos de acordo com o movimento que foi realizado. O algoritmo genético então avalia o resultado da rede neural e evolui seus parâmetros de entrada, afim de encontrar a configuração com o melhor desempenho. A média do melhor resultado dos voluntários foi de 77.7%. Entre todos os resultados, a maior taxa de acerto foi de 93.8%. O resultado é satisfatório, pois apresenta uma taxa de acerto regular quando comparado com outros trabalhos desse mesmo segmento.The project aims to characterize myoelectric signals from the hand arm segment through neural networks and genetic algorithms. The myoelectric signals used in the project are from a database. Steps of preprocessing and feature extraction are applied to these signals. Once in possession of the myoelectric signal features, the genetic algorithm is used to generate a set of input parameters for the neural network, the parameters include formatting the input data as well as the structure of the neural network used. Neural networks are used to classify the myoelectrical signal according to the movement that has been performed. The genetic algorithm then evaluates the result of neural network and evolves its input parameters in order to find the configuration with the best performance. The mean score of the volunteer was 77.7%. Among all the results, the best score was 93.8%. The result is satisfactory, since it has a regular accuracy rate when copared with other works of the same branch.application/pdfporRedes neuraisInformática médicaMyoelectric signalNeural networkGenetic algorithmCaracterização dos sinais mioelétricos dos movimentos do segmento mão braço através de redes neurais artificiais e algoritmos genéticosCharacterization of myoelectric signals of movements of hand and arm segment through neural networks and genetic algorithm info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisUniversidade Federal do Rio Grande do SulInstituto de InformáticaPorto Alegre, BR-RS2014Ciência da Computação: Ênfase em Engenharia da Computação: Bachareladograduaçãoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSORIGINAL000952904.pdfTexto completoapplication/pdf1584200http://www.lume.ufrgs.br/bitstream/10183/183439/1/000952904.pdf49d4f8147a10b97cf35042bfade312b9MD51TEXT000952904.pdf.txt000952904.pdf.txtExtracted Texttext/plain131804http://www.lume.ufrgs.br/bitstream/10183/183439/2/000952904.pdf.txtf4723e9e73fe3345ed7ae6e65832d0e7MD52THUMBNAIL000952904.pdf.jpg000952904.pdf.jpgGenerated Thumbnailimage/jpeg1133http://www.lume.ufrgs.br/bitstream/10183/183439/3/000952904.pdf.jpg001352ed33a15d41bf2e18aa65ce312fMD5310183/1834392018-10-17 02:37:46.784958oai:www.lume.ufrgs.br:10183/183439Repositório de PublicaçõesPUBhttps://lume.ufrgs.br/oai/requestopendoar:2018-10-17T05:37:46Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false
dc.title.pt_BR.fl_str_mv Caracterização dos sinais mioelétricos dos movimentos do segmento mão braço através de redes neurais artificiais e algoritmos genéticos
dc.title.alternative.en.fl_str_mv Characterization of myoelectric signals of movements of hand and arm segment through neural networks and genetic algorithm
title Caracterização dos sinais mioelétricos dos movimentos do segmento mão braço através de redes neurais artificiais e algoritmos genéticos
spellingShingle Caracterização dos sinais mioelétricos dos movimentos do segmento mão braço através de redes neurais artificiais e algoritmos genéticos
Schons, Lucas
Redes neurais
Informática médica
Myoelectric signal
Neural network
Genetic algorithm
title_short Caracterização dos sinais mioelétricos dos movimentos do segmento mão braço através de redes neurais artificiais e algoritmos genéticos
title_full Caracterização dos sinais mioelétricos dos movimentos do segmento mão braço através de redes neurais artificiais e algoritmos genéticos
title_fullStr Caracterização dos sinais mioelétricos dos movimentos do segmento mão braço através de redes neurais artificiais e algoritmos genéticos
title_full_unstemmed Caracterização dos sinais mioelétricos dos movimentos do segmento mão braço através de redes neurais artificiais e algoritmos genéticos
title_sort Caracterização dos sinais mioelétricos dos movimentos do segmento mão braço através de redes neurais artificiais e algoritmos genéticos
author Schons, Lucas
author_facet Schons, Lucas
author_role author
dc.contributor.author.fl_str_mv Schons, Lucas
dc.contributor.advisor1.fl_str_mv Balbinot, Alexandre
contributor_str_mv Balbinot, Alexandre
dc.subject.por.fl_str_mv Redes neurais
Informática médica
topic Redes neurais
Informática médica
Myoelectric signal
Neural network
Genetic algorithm
dc.subject.eng.fl_str_mv Myoelectric signal
Neural network
Genetic algorithm
description O projeto tem como objetivo caracterizar sinais mioelétricos provenientes do segmento mão braço através de redes neurais e algoritmos genéticos. Os sinais mioelétricos usados no projeto são provenientes de uma base de dados. Nesses sinais são aplicadas etapas de preprocessamento e extração de características. Uma vez de posse das características do sinal mioelétrico, o algoritmo genético é usado para gerar um conjunto de parâmetros de entrada para a rede neural, esses parâmetros incluem a formatação dos dados de entrada, assim como a estrutura da rede neural usada. As redes neurais são usadas para classificar os sinais mioelétricos de acordo com o movimento que foi realizado. O algoritmo genético então avalia o resultado da rede neural e evolui seus parâmetros de entrada, afim de encontrar a configuração com o melhor desempenho. A média do melhor resultado dos voluntários foi de 77.7%. Entre todos os resultados, a maior taxa de acerto foi de 93.8%. O resultado é satisfatório, pois apresenta uma taxa de acerto regular quando comparado com outros trabalhos desse mesmo segmento.
publishDate 2014
dc.date.issued.fl_str_mv 2014
dc.date.accessioned.fl_str_mv 2018-10-16T02:43:19Z
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/10183/183439
dc.identifier.nrb.pt_BR.fl_str_mv 000952904
url http://hdl.handle.net/10183/183439
identifier_str_mv 000952904
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/10183/183439/1/000952904.pdf
http://www.lume.ufrgs.br/bitstream/10183/183439/2/000952904.pdf.txt
http://www.lume.ufrgs.br/bitstream/10183/183439/3/000952904.pdf.jpg
bitstream.checksum.fl_str_mv 49d4f8147a10b97cf35042bfade312b9
f4723e9e73fe3345ed7ae6e65832d0e7
001352ed33a15d41bf2e18aa65ce312f
bitstream.checksumAlgorithm.fl_str_mv MD5
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_ 1801224560172859392