Análise de técnicas de classificação de sinais de eletromiografia para controle de prótese de membro superior

• Autor(a) principal: Boris, Fabio Agostinho
• Data de Publicação: 2020
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UNESP
• Texto Completo: http://hdl.handle.net/11449/193431
• topic: Classificação de EMG; Aprendizado de máquina; Extração de características; Wavelets; Controle de prótese; Membro superior; EMG classification; Machine learning; Features extraction; Prostheses control; Upper limb

A classificação de sinais eletromiográficos é uma tarefa importante para o controle de próteses ativas de membros superiores. Este trabalho propõe analisar e avaliar técnicas e ferramentas para classificação de sinais eletromiográficos (EMG) de superfície, produzindo modelos preditivos viáveis para o controle de próteses de membros superiores. Os sinais eletromiográficos foram obtidos a partir de uma base de dados pública. Algoritmos de aprendizagem de máquina, transformadas discretas wavelets e sete características do sinal EMG foram usadas para classificar os sinais. Foram criadas amostras aleatórias para as tarefas de treinamento e teste em subconjuntos com 80% e 20% dos dados, respectivamente. Os algoritmos de aprendizado de máquina foram treinados com diferentes configurações, permitindo avaliação entre os classificadores e os parâmetros utilizados em cada modelo. Após a realização dos testes, observa-se que o processamento dos sinais e a extração de características são processos importantes para a obtenção de resultados acurados em sinais eletromiográficos. O melhor resultado produziu uma acurácia média de 97,22% com um classificador Random Forest e três características extraídas a partir de uma transformada discreta wavelet nos dois canais do sinal EMG.