Classificador Random Forest para eletromiografia de superfície : uma abordagem em FPGA

• Autor(a) principal: Souza, Wagner Martins de
• Data de Publicação: 2023
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UFRGS
• Texto Completo: http://hdl.handle.net/10183/280745
• topic: Eletromiografia; FPGA; Sistemas embarcados; Aprendizado de máquina; Random Forest; Classifier; Surface electromyography

Nas últimas décadas o estudo dos sinais mioelétricos foram amplamente difundidos com o intuito de melhorar a capacidade motora ou de diagnosticar distúrbios ligados ao movimento humano. Diferentes técnicas de aprendizado de máquina foram desenvolvidas com o intuito de auxiliar no controle de próteses através da predição do movimento realizado. Na literatura são encontrados trabalhos com taxa de acerto superior a 90% em alguns cenários pré determinados em ensaios conduzidos em setup de laboratório. Com o objetivo de flexibilizar o processo de aquisição e treinamento dos sistemas classificató- rios, este trabalho propõe o desenvolvimento de um protótipo de um classificador Random Forest sistema embarcado em FPGA capaz de adquirir, processar e classificar movimentos localmente sem a necessidade de um ambiente de laboratório. A motivação desta abordagem se deve ao fato de não haver na literatura especializada uma grande abordagem dedicada ao uso de sistemas embarcados além de avaliar o efeito do paralelismo em sistemas de aquisição multicanais. O modelo inteligente proposto apresentou uma taxa de acerto de 83% na classificação da base Flor de Iris e de 81% quando classificando os sinais de sEMG do repositório NinaPRO. Quando submetido a aquisição de dados experimentais, o modelo apresentou uma taxa de 73,8% de acerto nos movimentos propostos. Estas taxas estão abaixo dos resultados encontrados na literatura clássica, porém estes resultados foram obtidos computacionalmente em que a quantidade de recursos de hardware disponíveis para processamento são abundantes enquanto que neste trabalho uma grande quantidade de recursos da FPGA foram utilizados totalizando 95,6% das LUTs disponíveis e 79,4% da memória RAM disponível no sistema.