Identificação de movimentos a partir da intensão de preensão, baseado em Deep Learning, com sinais de EMGs para utilização como IHM em dispositivos robóticos

Detalhes bibliográficos
Autor(a) principal: Hernandez Beleño, Ruben Dario, 1986-
Data de Publicação: 2018
Tipo de documento: Tese
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
Texto Completo: https://hdl.handle.net/20.500.12733/1633923
Resumo: Orientadores: João Mauricio Rosario, Oscar Fernando Avilés
id UNICAMP-30_80eb6e912935b9c2fc9fc71eee2a7771
oai_identifier_str oai::1020728
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Identificação de movimentos a partir da intensão de preensão, baseado em Deep Learning, com sinais de EMGs para utilização como IHM em dispositivos robóticosMovement Identification from the intention of grasping, based on deep learning, with signals EMGs for use as HMI in robotic devicesBioengenhariaBiomecânicaRobóticaBioengineeringBiomechanicsRoboticsOrientadores: João Mauricio Rosario, Oscar Fernando AvilésTese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia MecânicaResumo: Esta tese contribui com a parametrização e caracterização dos sinais de eletromiografia de superfície usando a aprendizagem em profundidade (Deep Learning) como técnica avançada no reconhecimento de padrões para reproduzir os movimentos de preensão de uma mão robótica em ambientes industriais através da interação homem-máquina. A análise para reproduzir os movimentos da mão é realizada a partir da interação dos sinais de eletromiografia das ações, que geram uma resposta cognitiva com o objetivo de replica-lo para que o dispositivo robótico possa realizar o movimento de preensão de acordo com o movimento realizado pelo usuário. Nesta tese, parte-se da bancada experimental MUC-1 previamente desenvolvida no Laboratório de Automação Integrada e Robótica (LAIR) da Universidade Estadual de Campinas e acrescentam-se funções que aumentam o escopo e melhoram a exequibilidade dos testes. A técnica de obtenção dos valores experimentais dos dados é baseada na adaptação do sensor MYO armband® por meio dos oito bio-sensores de eletromiografia relacionando a cinemática e dinâmica da mão pela identificação dos músculos do braço correspondente aos métodos de preensão, os quais são aprimorados por médio do método baseado em redes neuronais convolucionais da aprendizagem em profundidade previamente investigado na literatura para o reconhecimento de padrões. Para validação do sistema proposto, foi construído três arquiteturas de redes convolucionais, viabilizando a execução do teste virtual por meio da mão implementada no Simmechanics de Matlab® e no modelo real MUC-1. Por fim, o procedimento experimental resultante é documentado e as etapas prévias de modelagem e filtragem são descritas de acordo com as condições de preensão de objetos de figuras geométricas preestabelecidas que são executadas no dispositivo robótico de forma naturalAbstract: This thesis contributes to the parametrization and characterization of surface electromyography signals using deep learning as an advanced technique in pattern recognition to reproduce the grip movements of a robotic hand in industrial environments through the man-machine interaction. The analysis to reproduce the movements of the hand is made from the interaction of the electromyography signals of the actions, which generate a cognitive response to replicate it so that the robotic device can perform the grip movement, in accordance with the movement made by the user. Some part of this thesis is experimental bench MUC-1 previously developed in the Laboratory of Automation and Robotics (LAIR) at the State University of Campinas and added functions that increase the scope and improve the feasibility of testing. The technique of obtaining the experimental values of the data is based on the adaptation of the MYO armband® sensor through the eight bio-sensors of electromyography relating the kinematics and dynamics of the hand by the identification of the muscles of the arm corresponding to the grasping methods, which are improved by the method based on convolutional neuronal networks of in-depth learning previously research in the literature for the recognition of patterns. For the validation of the proposed system, three convolutional network architectures were built, enabling the virtual test execution through the hand implemented in the Matlab® Simmechanics and in the real MUC-1 model. Finally, the resulting experimental process is documented and the previous stages of modeling and filtering are described according to the prehension conditions of objects of geometric figures that are executed in the robotic device in a natural wayDoutoradoMecatrônicaDoutor em Engenharia Mecânica[s.n.]Rosário, João Maurício, 1959-Aviles Sanchez, Oscar Fernando, 1967-Saramago, Marcos Antonio PortaMelo, Leonimer Flavio deBizarria, Francisco Carlos ParquetSablón, Vicente Idalberto BecerraUniversidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia MecânicaPrograma de Pós-Graduação em Engenharia MecânicaUNIVERSIDADE ESTADUAL DE CAMPINASHernandez Beleño, Ruben Dario, 1986-20182018-04-11T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdf1 recurso online (155 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/1633923HERNANDEZ BELEÑO, Ruben Dario. Identificação de movimentos a partir da intensão de preensão, baseado em Deep Learning, com sinais de EMGs para utilização como IHM em dispositivos robóticos. 2018. 1 recurso online (155 p.) Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Mecânica, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1633923. Acesso em: 3 set. 2024.https://repositorio.unicamp.br/acervo/detalhe/1020728Requisitos do sistema: Software para leitura de arquivo em PDFporreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2023-02-03T17:03:46Zoai::1020728Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2023-02-03T17:03:46Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Identificação de movimentos a partir da intensão de preensão, baseado em Deep Learning, com sinais de EMGs para utilização como IHM em dispositivos robóticos
Movement Identification from the intention of grasping, based on deep learning, with signals EMGs for use as HMI in robotic devices
title Identificação de movimentos a partir da intensão de preensão, baseado em Deep Learning, com sinais de EMGs para utilização como IHM em dispositivos robóticos
spellingShingle Identificação de movimentos a partir da intensão de preensão, baseado em Deep Learning, com sinais de EMGs para utilização como IHM em dispositivos robóticos
Hernandez Beleño, Ruben Dario, 1986-
Bioengenharia
Biomecânica
Robótica
Bioengineering
Biomechanics
Robotics
title_short Identificação de movimentos a partir da intensão de preensão, baseado em Deep Learning, com sinais de EMGs para utilização como IHM em dispositivos robóticos
title_full Identificação de movimentos a partir da intensão de preensão, baseado em Deep Learning, com sinais de EMGs para utilização como IHM em dispositivos robóticos
title_fullStr Identificação de movimentos a partir da intensão de preensão, baseado em Deep Learning, com sinais de EMGs para utilização como IHM em dispositivos robóticos
title_full_unstemmed Identificação de movimentos a partir da intensão de preensão, baseado em Deep Learning, com sinais de EMGs para utilização como IHM em dispositivos robóticos
title_sort Identificação de movimentos a partir da intensão de preensão, baseado em Deep Learning, com sinais de EMGs para utilização como IHM em dispositivos robóticos
author Hernandez Beleño, Ruben Dario, 1986-
author_facet Hernandez Beleño, Ruben Dario, 1986-
author_role author
dc.contributor.none.fl_str_mv Rosário, João Maurício, 1959-
Aviles Sanchez, Oscar Fernando, 1967-
Saramago, Marcos Antonio Porta
Melo, Leonimer Flavio de
Bizarria, Francisco Carlos Parquet
Sablón, Vicente Idalberto Becerra
Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Mecânica
Programa de Pós-Graduação em Engenharia Mecânica
UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Hernandez Beleño, Ruben Dario, 1986-
dc.subject.por.fl_str_mv Bioengenharia
Biomecânica
Robótica
Bioengineering
Biomechanics
Robotics
topic Bioengenharia
Biomecânica
Robótica
Bioengineering
Biomechanics
Robotics
description Orientadores: João Mauricio Rosario, Oscar Fernando Avilés
publishDate 2018
dc.date.none.fl_str_mv 2018
2018-04-11T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/20.500.12733/1633923
HERNANDEZ BELEÑO, Ruben Dario. Identificação de movimentos a partir da intensão de preensão, baseado em Deep Learning, com sinais de EMGs para utilização como IHM em dispositivos robóticos. 2018. 1 recurso online (155 p.) Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Mecânica, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1633923. Acesso em: 3 set. 2024.
url https://hdl.handle.net/20.500.12733/1633923
identifier_str_mv HERNANDEZ BELEÑO, Ruben Dario. Identificação de movimentos a partir da intensão de preensão, baseado em Deep Learning, com sinais de EMGs para utilização como IHM em dispositivos robóticos. 2018. 1 recurso online (155 p.) Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Mecânica, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1633923. Acesso em: 3 set. 2024.
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://repositorio.unicamp.br/acervo/detalhe/1020728
Requisitos do sistema: Software para leitura de arquivo em PDF
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
1 recurso online (155 p.) : il., digital, arquivo PDF.
dc.publisher.none.fl_str_mv [s.n.]
publisher.none.fl_str_mv [s.n.]
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
instname:Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
instname_str Universidade Estadual de Campinas (UNICAMP)
instacron_str UNICAMP
institution UNICAMP
reponame_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
collection Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)
repository.mail.fl_str_mv sbubd@unicamp.br
_version_ 1809189127076184064