Aplicação de algoritmos de seleção de características na classificação de movimentos do segmento mão-braço através do processamento de sinais sEMG

• Autor(a) principal: Tosin, Maurício Cagliari
• Data de Publicação: 2018
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UFRGS
• Texto Completo: http://hdl.handle.net/10183/200940
• topic: Eletromiografia; Método de Monte Carlo; Entropia; Máquinas de vetores de suporte; Aprendizado de máquina; Electromyography; Support vector machine recursive feature elimination; Monte Carlo feature selection; Singular value decomposition entropy; Regularized extreme learning machine

É desafiador obter taxas de acerto elevadas no que cerne a tarefa de classificar movimentos do segmento mão braço a partir de sinais de sEMG. Inúmeros trabalhos têm sido desenvolvidos nessa área explorando a filtragem do sinal, extração de características e classificador, porém muito poucos atacam o problema sob o aspecto da seleção de características. O presente trabalho visa implementar três algoritmos diferentes de seleção de características para classificação de tais sinais: Support Vector Machine Recursive Feature Elimination (SVM-RFE), Monte Carlo Feature Selection, e Singular Value Decomposition (SVD) Entropy. Para a referida análise foram utilizados sinais da Base de Dados internacional Ninapro e também foram adquiridos sinais no laboratório de Instrumentação Eletro-eletrônica (IEE). Para o estágio de classificação foi utilizado o método Regularized Extreme Learning Machine (RELM). Contudo, o algoritmo proposto consiste em 4 etapas fundamentais. Primeiramente, 13 características foram extraídas dos sinais de sEMG: 11 no domínio do tempo e duas no domínio da frequência. A correlação entre todas as 156 características obtidas (12 canais x 13 características) foi analisada e retirou-se do conjunto as que apresentaram correlação superior a 0,9. Na sequência, as que restaram da etapa anterior foram ranqueadas a partir dos 3 métodos de seleção de características supracitados. Por fim, o conjunto ordenado de características passou pelo estágio de classificação onde determinou-se o melhor grupo dentre elas. Como resultado, obteve-se taxa de acerto média de 85,42% para a Base 2 Ninapro, 77,46% para a Base 3 Ninapro e 86,74% para a Base do IEE.