Desempenho de modelos inteligentes para classificação de intenção de movimento de mão a partir de sinais de sEMG no microcontrolador ESP32

Detalhes bibliográficos
Autor(a) principal: Miola, José Luiz Poli
Data de Publicação: 2024
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional da UFRGS
Texto Completo: http://hdl.handle.net/10183/274594
Resumo: Próteses de mão controladas por sEMG são soluções não invasivas para amputados terem novamente a funcionalidade de seus membros, melhorando sua qualidade de vida. Controlar estas próteses exige a criação de um classificador capaz de não somente classificar estes movimentos, mas que seja possível ser embarcado. Este trabalho testou diferentes configu rações de redes neurais, regressão logística e florestas aleatórias, variando hiperparâmetros, número de entradas e características para avaliar seus desempenhos e os testando em um microcontrolador Esp32. Foi utilizada a base de dados NinaPro para avaliação dos modelos, utilizando 18 movimentos discretos. Foi encontrado que o modelo com maior taxa de acerto foi o de floresta aleatória, utilizando todos os 12 canais com 78,0% de taxa de acerto. Os modelos com maiores taxas de acerto para redes neurais e regressões logísticas encontraram ambos 74,3%. Foi encontrado que as latências dos modelos aumentam conforme aumentam o número de entradas, com latências variado de 4897-5785 µs (redes neurais), 16-1127 µs (regressão logística) e 2-313 µs (florestas aleatórias).
id UFRGS-2_a5167041d500cefba66b4c45db6d2ca0
oai_identifier_str oai:www.lume.ufrgs.br:10183/274594
network_acronym_str UFRGS-2
network_name_str Repositório Institucional da UFRGS
repository_id_str
spelling Miola, José Luiz PoliWeber, Tiago Oliveira2024-04-11T06:25:48Z2024http://hdl.handle.net/10183/274594001197959Próteses de mão controladas por sEMG são soluções não invasivas para amputados terem novamente a funcionalidade de seus membros, melhorando sua qualidade de vida. Controlar estas próteses exige a criação de um classificador capaz de não somente classificar estes movimentos, mas que seja possível ser embarcado. Este trabalho testou diferentes configu rações de redes neurais, regressão logística e florestas aleatórias, variando hiperparâmetros, número de entradas e características para avaliar seus desempenhos e os testando em um microcontrolador Esp32. Foi utilizada a base de dados NinaPro para avaliação dos modelos, utilizando 18 movimentos discretos. Foi encontrado que o modelo com maior taxa de acerto foi o de floresta aleatória, utilizando todos os 12 canais com 78,0% de taxa de acerto. Os modelos com maiores taxas de acerto para redes neurais e regressões logísticas encontraram ambos 74,3%. Foi encontrado que as latências dos modelos aumentam conforme aumentam o número de entradas, com latências variado de 4897-5785 µs (redes neurais), 16-1127 µs (regressão logística) e 2-313 µs (florestas aleatórias).sEMG-controlled hand prostheses are non-invasive solutions for amputees to regain the functionality of their limbs, improving their quality of life. Controlling these prostheses requires the creation of a classifier capable of not only classifying these movements, but also being embeddable. This work tested different configurations of neural networks, logistic regression, and random forests, varying hyperparameters, the number of inputs, and features to evaluate their performances and testing them on an Esp32 microcontroller. The NinaPro database was used to evaluate the models, using 18 discrete movements. It was found that the model with the highest accuracy rate was the random forest, using all 12 channels with 78,0% accuracy rate. The models with the highest accuracy rates for neural networks and logistic regressions both found 74.3%. It was found that the latencies of the models increase as the number of inputs increases, with latencies ranging from 4897-5785 µs (neural networks), 16-1127 µs (logistic regression), and 2-313 µs (random forests).application/pdfporEletromiografiaMovimento humano : MediçãoAprendizado de máquinasEMGMicrocontrollerMovementsDesempenho de modelos inteligentes para classificação de intenção de movimento de mão a partir de sinais de sEMG no microcontrolador ESP32info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisUniversidade Federal do Rio Grande do SulEscola de EngenhariaPorto Alegre, BR-RS2024Engenharia Elétricagraduaçãoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001197959.pdf.txt001197959.pdf.txtExtracted Texttext/plain71335http://www.lume.ufrgs.br/bitstream/10183/274594/2/001197959.pdf.txt642c7f9668724e2bb9fa8cb015c2e885MD52ORIGINAL001197959.pdfTexto completoapplication/pdf3133299http://www.lume.ufrgs.br/bitstream/10183/274594/1/001197959.pdf8003523ad2f0b58aba080bf19fc404e7MD5110183/2745942024-04-12 06:20:31.913313oai:www.lume.ufrgs.br:10183/274594Repositório de PublicaçõesPUBhttps://lume.ufrgs.br/oai/requestopendoar:2024-04-12T09:20:31Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false
dc.title.pt_BR.fl_str_mv Desempenho de modelos inteligentes para classificação de intenção de movimento de mão a partir de sinais de sEMG no microcontrolador ESP32
title Desempenho de modelos inteligentes para classificação de intenção de movimento de mão a partir de sinais de sEMG no microcontrolador ESP32
spellingShingle Desempenho de modelos inteligentes para classificação de intenção de movimento de mão a partir de sinais de sEMG no microcontrolador ESP32
Miola, José Luiz Poli
Eletromiografia
Movimento humano : Medição
Aprendizado de máquina
sEMG
Microcontroller
Movements
title_short Desempenho de modelos inteligentes para classificação de intenção de movimento de mão a partir de sinais de sEMG no microcontrolador ESP32
title_full Desempenho de modelos inteligentes para classificação de intenção de movimento de mão a partir de sinais de sEMG no microcontrolador ESP32
title_fullStr Desempenho de modelos inteligentes para classificação de intenção de movimento de mão a partir de sinais de sEMG no microcontrolador ESP32
title_full_unstemmed Desempenho de modelos inteligentes para classificação de intenção de movimento de mão a partir de sinais de sEMG no microcontrolador ESP32
title_sort Desempenho de modelos inteligentes para classificação de intenção de movimento de mão a partir de sinais de sEMG no microcontrolador ESP32
author Miola, José Luiz Poli
author_facet Miola, José Luiz Poli
author_role author
dc.contributor.author.fl_str_mv Miola, José Luiz Poli
dc.contributor.advisor1.fl_str_mv Weber, Tiago Oliveira
contributor_str_mv Weber, Tiago Oliveira
dc.subject.por.fl_str_mv Eletromiografia
Movimento humano : Medição
Aprendizado de máquina
topic Eletromiografia
Movimento humano : Medição
Aprendizado de máquina
sEMG
Microcontroller
Movements
dc.subject.eng.fl_str_mv sEMG
Microcontroller
Movements
description Próteses de mão controladas por sEMG são soluções não invasivas para amputados terem novamente a funcionalidade de seus membros, melhorando sua qualidade de vida. Controlar estas próteses exige a criação de um classificador capaz de não somente classificar estes movimentos, mas que seja possível ser embarcado. Este trabalho testou diferentes configu rações de redes neurais, regressão logística e florestas aleatórias, variando hiperparâmetros, número de entradas e características para avaliar seus desempenhos e os testando em um microcontrolador Esp32. Foi utilizada a base de dados NinaPro para avaliação dos modelos, utilizando 18 movimentos discretos. Foi encontrado que o modelo com maior taxa de acerto foi o de floresta aleatória, utilizando todos os 12 canais com 78,0% de taxa de acerto. Os modelos com maiores taxas de acerto para redes neurais e regressões logísticas encontraram ambos 74,3%. Foi encontrado que as latências dos modelos aumentam conforme aumentam o número de entradas, com latências variado de 4897-5785 µs (redes neurais), 16-1127 µs (regressão logística) e 2-313 µs (florestas aleatórias).
publishDate 2024
dc.date.accessioned.fl_str_mv 2024-04-11T06:25:48Z
dc.date.issued.fl_str_mv 2024
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/10183/274594
dc.identifier.nrb.pt_BR.fl_str_mv 001197959
url http://hdl.handle.net/10183/274594
identifier_str_mv 001197959
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/10183/274594/2/001197959.pdf.txt
http://www.lume.ufrgs.br/bitstream/10183/274594/1/001197959.pdf
bitstream.checksum.fl_str_mv 642c7f9668724e2bb9fa8cb015c2e885
8003523ad2f0b58aba080bf19fc404e7
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_ 1815447365221351424

Registros relacionados