Classificação de gestos da mão utilizando sinais sEMG: uma abordagem com TensorFlow Lite

Detalhes bibliográficos
Autor(a) principal: Alves, Erika Costa
Data de Publicação: 2022
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional da UFRN
Texto Completo: https://repositorio.ufrn.br/handle/123456789/50899
Resumo: Hoje em dia a utilização de Machine Learning se tornou essencial para automatizar e facilitar a vida das pessoas, e na área da saúde isso não é diferente. Então, foi estudado e implementado um classificador dos gestos de mão, baseado no espectrograma dos sinais sEMG com propósito ser embarcado em um microcontrolador de baixa potência. Para tal, foi realizado um estudo de sobre análise e processamento de sinais biológicos, envolvendo processamento digital de sinais e a modelagem de um classificador neural utilizando técnicas modernas de machine learning. Além disso, a criação do modelo tem como objetivo o seu funcionamento de forma embarcada em um microcontrolador de baixa potência. Desta forma, deseja-se sua utilização em tempo real para diversas aplicações, e uma delas seria para auxiliar a utilização de próteses de mão construídas a partir de impressoras 3D. Os bons resultados alcançados mostram a viabilidade do projeto.
id UFRN_ff3b1e821509c620cc4b870ad03aaf7f
oai_identifier_str oai:https://repositorio.ufrn.br:123456789/50899
network_acronym_str UFRN
network_name_str Repositório Institucional da UFRN
repository_id_str
spelling Alves, Erika Costahttp://lattes.cnpq.br/2235385284637561Santana Junior, Orivaldo Vieira deSilva, Bruno Marques Ferreira daMaia Peixoto, Helton2023-01-10T13:24:55Z2023-01-10T13:24:55Z2022-12-14ALVES, Erika Costa. Classificação de gestos da mão utilizando sinais sEMG: uma abordagem com tensorflow lite. 2022. 59 f. Orientador: Helton Maia. Trabalho de Conclusão de Curso (Graduação em Engenharia Mecatrônica) - Departamento de Engenharia de Computação e Automação, Universidade Federal do Rio Grande do Norte, Natal, 2022.https://repositorio.ufrn.br/handle/123456789/50899Hoje em dia a utilização de Machine Learning se tornou essencial para automatizar e facilitar a vida das pessoas, e na área da saúde isso não é diferente. Então, foi estudado e implementado um classificador dos gestos de mão, baseado no espectrograma dos sinais sEMG com propósito ser embarcado em um microcontrolador de baixa potência. Para tal, foi realizado um estudo de sobre análise e processamento de sinais biológicos, envolvendo processamento digital de sinais e a modelagem de um classificador neural utilizando técnicas modernas de machine learning. Além disso, a criação do modelo tem como objetivo o seu funcionamento de forma embarcada em um microcontrolador de baixa potência. Desta forma, deseja-se sua utilização em tempo real para diversas aplicações, e uma delas seria para auxiliar a utilização de próteses de mão construídas a partir de impressoras 3D. Os bons resultados alcançados mostram a viabilidade do projeto.Nowadays, the use of Machine Learning has become essential to automate and facilitate people's lives, and this is no different in the health field. Then, a classifier of hand gestures was studied and implemented based on spectrograms of sEMG signals to be embedded in a low-power microcontroller. For this, a study was carried out on analyzing and processing biological signals, involving digital signal processing and modeling a neural classifier using modern machine learning techniques. In addition, the creation of the model aims at its operation in an embedded form in a low-power microcontroller. In this way, its use in real-time is desired for several applications, and one of them would be to aid the use of hand prostheses built from 3D printers. The good results achieved show the viability of the project.Universidade Federal do Rio Grande do NorteEngenharia MecatrônicaUFRNBrasilDepartamento de Engenharia de Computação e AutomaçãoAttribution-NonCommercial 3.0 Brazilhttp://creativecommons.org/licenses/by-nc/3.0/br/info:eu-repo/semantics/openAccessCNPQ::ENGENHARIASProcessamento digital de sinaisSinais sEMGMachine learningSistemas embarcadoClassificação de gestos da mão utilizando sinais sEMG: uma abordagem com TensorFlow Liteinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisporreponame:Repositório Institucional da UFRNinstname:Universidade Federal do Rio Grande do Norte (UFRN)instacron:UFRNCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8920https://repositorio.ufrn.br/bitstream/123456789/50899/2/license_rdf728dfda2fa81b274c619d08d1dfc1a03MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-81484https://repositorio.ufrn.br/bitstream/123456789/50899/3/license.txte9597aa2854d128fd968be5edc8a28d9MD53ORIGINALTCC___Erika_Alves___2022_2.pdfTCC___Erika_Alves___2022_2.pdfapplication/pdf5088556https://repositorio.ufrn.br/bitstream/123456789/50899/1/TCC___Erika_Alves___2022_2.pdf08859b00ed84b03d65cdf3e40be79471MD51123456789/508992023-01-10 10:24:56.214oai:https://repositorio.ufrn.br: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Repositório de PublicaçõesPUBhttp://repositorio.ufrn.br/oai/opendoar:2023-01-10T13:24:56Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN)false
dc.title.pt_BR.fl_str_mv Classificação de gestos da mão utilizando sinais sEMG: uma abordagem com TensorFlow Lite
title Classificação de gestos da mão utilizando sinais sEMG: uma abordagem com TensorFlow Lite
spellingShingle Classificação de gestos da mão utilizando sinais sEMG: uma abordagem com TensorFlow Lite
Alves, Erika Costa
CNPQ::ENGENHARIAS
Processamento digital de sinais
Sinais sEMG
Machine learning
Sistemas embarcado
title_short Classificação de gestos da mão utilizando sinais sEMG: uma abordagem com TensorFlow Lite
title_full Classificação de gestos da mão utilizando sinais sEMG: uma abordagem com TensorFlow Lite
title_fullStr Classificação de gestos da mão utilizando sinais sEMG: uma abordagem com TensorFlow Lite
title_full_unstemmed Classificação de gestos da mão utilizando sinais sEMG: uma abordagem com TensorFlow Lite
title_sort Classificação de gestos da mão utilizando sinais sEMG: uma abordagem com TensorFlow Lite
author Alves, Erika Costa
author_facet Alves, Erika Costa
author_role author
dc.contributor.authorLattes.pt_BR.fl_str_mv http://lattes.cnpq.br/2235385284637561
dc.contributor.referees1.none.fl_str_mv Santana Junior, Orivaldo Vieira de
dc.contributor.referees2.none.fl_str_mv Silva, Bruno Marques Ferreira da
dc.contributor.author.fl_str_mv Alves, Erika Costa
dc.contributor.advisor1.fl_str_mv Maia Peixoto, Helton
contributor_str_mv Maia Peixoto, Helton
dc.subject.cnpq.fl_str_mv CNPQ::ENGENHARIAS
topic CNPQ::ENGENHARIAS
Processamento digital de sinais
Sinais sEMG
Machine learning
Sistemas embarcado
dc.subject.por.fl_str_mv Processamento digital de sinais
Sinais sEMG
Machine learning
Sistemas embarcado
description Hoje em dia a utilização de Machine Learning se tornou essencial para automatizar e facilitar a vida das pessoas, e na área da saúde isso não é diferente. Então, foi estudado e implementado um classificador dos gestos de mão, baseado no espectrograma dos sinais sEMG com propósito ser embarcado em um microcontrolador de baixa potência. Para tal, foi realizado um estudo de sobre análise e processamento de sinais biológicos, envolvendo processamento digital de sinais e a modelagem de um classificador neural utilizando técnicas modernas de machine learning. Além disso, a criação do modelo tem como objetivo o seu funcionamento de forma embarcada em um microcontrolador de baixa potência. Desta forma, deseja-se sua utilização em tempo real para diversas aplicações, e uma delas seria para auxiliar a utilização de próteses de mão construídas a partir de impressoras 3D. Os bons resultados alcançados mostram a viabilidade do projeto.
publishDate 2022
dc.date.issued.fl_str_mv 2022-12-14
dc.date.accessioned.fl_str_mv 2023-01-10T13:24:55Z
dc.date.available.fl_str_mv 2023-01-10T13:24:55Z
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.citation.fl_str_mv ALVES, Erika Costa. Classificação de gestos da mão utilizando sinais sEMG: uma abordagem com tensorflow lite. 2022. 59 f. Orientador: Helton Maia. Trabalho de Conclusão de Curso (Graduação em Engenharia Mecatrônica) - Departamento de Engenharia de Computação e Automação, Universidade Federal do Rio Grande do Norte, Natal, 2022.
dc.identifier.uri.fl_str_mv https://repositorio.ufrn.br/handle/123456789/50899
identifier_str_mv ALVES, Erika Costa. Classificação de gestos da mão utilizando sinais sEMG: uma abordagem com tensorflow lite. 2022. 59 f. Orientador: Helton Maia. Trabalho de Conclusão de Curso (Graduação em Engenharia Mecatrônica) - Departamento de Engenharia de Computação e Automação, Universidade Federal do Rio Grande do Norte, Natal, 2022.
url https://repositorio.ufrn.br/handle/123456789/50899
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv Attribution-NonCommercial 3.0 Brazil
http://creativecommons.org/licenses/by-nc/3.0/br/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Attribution-NonCommercial 3.0 Brazil
http://creativecommons.org/licenses/by-nc/3.0/br/
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal do Rio Grande do Norte
dc.publisher.program.fl_str_mv Engenharia Mecatrônica
dc.publisher.initials.fl_str_mv UFRN
dc.publisher.country.fl_str_mv Brasil
dc.publisher.department.fl_str_mv Departamento de Engenharia de Computação e Automação
publisher.none.fl_str_mv Universidade Federal do Rio Grande do Norte
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFRN
instname:Universidade Federal do Rio Grande do Norte (UFRN)
instacron:UFRN
instname_str Universidade Federal do Rio Grande do Norte (UFRN)
instacron_str UFRN
institution UFRN
reponame_str Repositório Institucional da UFRN
collection Repositório Institucional da UFRN
bitstream.url.fl_str_mv https://repositorio.ufrn.br/bitstream/123456789/50899/2/license_rdf
https://repositorio.ufrn.br/bitstream/123456789/50899/3/license.txt
https://repositorio.ufrn.br/bitstream/123456789/50899/1/TCC___Erika_Alves___2022_2.pdf
bitstream.checksum.fl_str_mv 728dfda2fa81b274c619d08d1dfc1a03
e9597aa2854d128fd968be5edc8a28d9
08859b00ed84b03d65cdf3e40be79471
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN)
repository.mail.fl_str_mv
_version_ 1802117823051333632

Registros relacionados