Investigação de diferentes métodos e recursos para controle de prótese de mão através da classificação de sinais EMG via aprendizado de máquina
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Repositório Institucional da UNISINOS (RBDU Repositório Digital da Biblioteca da Unisinos) |
Texto Completo: | http://www.repositorio.jesuita.org.br/handle/UNISINOS/10571 |
Resumo: | Os avanços tecnológicos dos últimos anos permitiram o desenvolvimento de próteses de mão que possuem maior precisão nos movimentos, redução do peso e o uso de sinais bioelétricos em sua operação. Hoje as próteses com controle mioelétrico são consideradas o estado da arte neste segmento, representando uma grande ferramenta na restauração de parte das tarefas habituais e na melhoria da qualidade de vida dos amputados de membros superiores. Contudo, o controle destes equipamentos não é intuitivo pois os usuários das próteses necessitam realizar sequencias complexas de impulsos de contração muscular para alterar o tipo de movimento a executar. O objetivo desta tese foi o desenvolvimento de um sistema em tempo real para controle de mãos protéticas mioelétricas utilizando Aprendizado de Máquina. A arquitetura do sistema incluiu a integração dos dispositivos de aquisição de sinais eletromiográficos (EMG), plataforma para implementação do classificador em tempo real e interface para acionamento elétrico de servomotores para uma prótese de mão open source. Os seguintes modelos de classificadores foram implementados e comparados: uma Rede Neural Multicamadas, uma Rede Neural Convolucional, Rede Neural Recorrente utilizando unidades LSTM e uma Floresta Aleatória. Os ensaios foram realizados primeiramente em sistemas offline envolvendo o processamento de três bancos de dados, incorporando e avaliando de forma incremental diferentes recursos e sensores até a implementação do sistema online. Um classificador Multilayer Perceptron (MLP) foi implementado em uma plataforma para prototipagem rápida (Raspberry Pi 3 modelo B+) obtendo taxas médias de acerto de 96,3% (offline) e 87,2% (online) e respostas em tempo real (10,3 ms) para 11 gestos de mão. |
id |
USIN_e3701ebc5cefdb8a67444c589a7cd724 |
---|---|
oai_identifier_str |
oai:www.repositorio.jesuita.org.br:UNISINOS/10571 |
network_acronym_str |
USIN |
network_name_str |
Repositório Institucional da UNISINOS (RBDU Repositório Digital da Biblioteca da Unisinos) |
repository_id_str |
|
spelling |
2021-11-19T12:28:43Z2021-11-19T12:28:43Z2021-10-08Submitted by Anna Barbara Alves Beraldine (annabarbara@unisinos.br) on 2021-11-19T12:28:43Z No. of bitstreams: 1 João Olegário de Oliveira de Souza_.pdf: 17142537 bytes, checksum: 67f71a89c093f6d6af2c449e1f3b5ed2 (MD5)Made available in DSpace on 2021-11-19T12:28:43Z (GMT). No. of bitstreams: 1 João Olegário de Oliveira de Souza_.pdf: 17142537 bytes, checksum: 67f71a89c093f6d6af2c449e1f3b5ed2 (MD5) Previous issue date: 2021-10-08Os avanços tecnológicos dos últimos anos permitiram o desenvolvimento de próteses de mão que possuem maior precisão nos movimentos, redução do peso e o uso de sinais bioelétricos em sua operação. Hoje as próteses com controle mioelétrico são consideradas o estado da arte neste segmento, representando uma grande ferramenta na restauração de parte das tarefas habituais e na melhoria da qualidade de vida dos amputados de membros superiores. Contudo, o controle destes equipamentos não é intuitivo pois os usuários das próteses necessitam realizar sequencias complexas de impulsos de contração muscular para alterar o tipo de movimento a executar. O objetivo desta tese foi o desenvolvimento de um sistema em tempo real para controle de mãos protéticas mioelétricas utilizando Aprendizado de Máquina. A arquitetura do sistema incluiu a integração dos dispositivos de aquisição de sinais eletromiográficos (EMG), plataforma para implementação do classificador em tempo real e interface para acionamento elétrico de servomotores para uma prótese de mão open source. Os seguintes modelos de classificadores foram implementados e comparados: uma Rede Neural Multicamadas, uma Rede Neural Convolucional, Rede Neural Recorrente utilizando unidades LSTM e uma Floresta Aleatória. Os ensaios foram realizados primeiramente em sistemas offline envolvendo o processamento de três bancos de dados, incorporando e avaliando de forma incremental diferentes recursos e sensores até a implementação do sistema online. Um classificador Multilayer Perceptron (MLP) foi implementado em uma plataforma para prototipagem rápida (Raspberry Pi 3 modelo B+) obtendo taxas médias de acerto de 96,3% (offline) e 87,2% (online) e respostas em tempo real (10,3 ms) para 11 gestos de mão.The technological advances in the last years have allowed the development of hand prostheses that have more movement precision, weight reduction and the use of bioelectric signals in its operation. Nowadays, the prostheses with myoelectric control are considered the state of art in this segment; they represent a great tool in the restoration of parts of daily tasks and in the improvement of life quality for upper limb amputees. However, the control of these devices is not intuitive, because the users of myoelectric prostheses need to perform complex sequences of muscle contraction impulses to change the type of movement. The goal of this thesis was the development of a real-time myoelectric control of a hand prosthesis using Machine Learning. The system architecture includes the integration of the electromyographic (EMG) signal acquisition devices, platform for the implementation of the real-time classifier and interface for servomotor driver for an open source hand prosthesis. The following classifier models were implemented and compared: Multilayer Neural Network, Convolutional Neural Network, Recurrent Neural Network using LSTM units and Random Forest. Firstly, the assays were performed on offline systems involving the three databases processing, incrementally incorporating and evaluating different resources and sensors until the implementation of the online system. A Multilayer Perceptron (MLP) classifier was implemented on a platform for rapid prototyping (Raspberry Pi 3 model B+) obtaining average accuracies of 96.3% (offline) and 87.2% (online) and responses in real-time (10.3 ms) for 11 hand gestures.NenhumaSouza, João Olegário de Oliveira dehttp://lattes.cnpq.br/4888175103572971http://lattes.cnpq.br/3914159735707328Figueiredo, Rodrigo Marques dehttp://lattes.cnpq.br/0192178587738651Rigo, Sandro JoséUniversidade do Vale do Rio dos SinosPrograma de Pós-Graduação em Computação AplicadaUnisinosBrasilEscola PolitécnicaInvestigação de diferentes métodos e recursos para controle de prótese de mão através da classificação de sinais EMG via aprendizado de máquinaACCNPQ::Ciências Exatas e da Terra::Ciência da ComputaçãoAprendizado de máquinaPrótese de mãoEletromiografiaInteligência artificialReconhecimento de padrõesMachine learningHand prosthesisElectromyographyArtificial intelligencePattern recognitioninfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesishttp://www.repositorio.jesuita.org.br/handle/UNISINOS/10571info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UNISINOS (RBDU Repositório Digital da Biblioteca da Unisinos)instname:Universidade do Vale do Rio dos Sinos (UNISINOS)instacron:UNISINOSORIGINALJoão Olegário de Oliveira de Souza_.pdfJoão Olegário de Oliveira de Souza_.pdfapplication/pdf17142537http://repositorio.jesuita.org.br/bitstream/UNISINOS/10571/1/Jo%C3%A3o+Oleg%C3%A1rio+de+Oliveira+de+Souza_.pdf67f71a89c093f6d6af2c449e1f3b5ed2MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-82175http://repositorio.jesuita.org.br/bitstream/UNISINOS/10571/2/license.txt320e21f23402402ac4988605e1edd177MD52UNISINOS/105712021-11-19 09:31:09.767oai:www.repositorio.jesuita.org.br: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 Digital de Teses e Dissertaçõeshttp://www.repositorio.jesuita.org.br/oai/requestopendoar:2021-11-19T12:31:09Repositório Institucional da UNISINOS (RBDU Repositório Digital da Biblioteca da Unisinos) - Universidade do Vale do Rio dos Sinos (UNISINOS)false |
dc.title.pt_BR.fl_str_mv |
Investigação de diferentes métodos e recursos para controle de prótese de mão através da classificação de sinais EMG via aprendizado de máquina |
title |
Investigação de diferentes métodos e recursos para controle de prótese de mão através da classificação de sinais EMG via aprendizado de máquina |
spellingShingle |
Investigação de diferentes métodos e recursos para controle de prótese de mão através da classificação de sinais EMG via aprendizado de máquina Souza, João Olegário de Oliveira de ACCNPQ::Ciências Exatas e da Terra::Ciência da Computação Aprendizado de máquina Prótese de mão Eletromiografia Inteligência artificial Reconhecimento de padrões Machine learning Hand prosthesis Electromyography Artificial intelligence Pattern recognition |
title_short |
Investigação de diferentes métodos e recursos para controle de prótese de mão através da classificação de sinais EMG via aprendizado de máquina |
title_full |
Investigação de diferentes métodos e recursos para controle de prótese de mão através da classificação de sinais EMG via aprendizado de máquina |
title_fullStr |
Investigação de diferentes métodos e recursos para controle de prótese de mão através da classificação de sinais EMG via aprendizado de máquina |
title_full_unstemmed |
Investigação de diferentes métodos e recursos para controle de prótese de mão através da classificação de sinais EMG via aprendizado de máquina |
title_sort |
Investigação de diferentes métodos e recursos para controle de prótese de mão através da classificação de sinais EMG via aprendizado de máquina |
author |
Souza, João Olegário de Oliveira de |
author_facet |
Souza, João Olegário de Oliveira de |
author_role |
author |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/4888175103572971 |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/3914159735707328 |
dc.contributor.author.fl_str_mv |
Souza, João Olegário de Oliveira de |
dc.contributor.advisor-co1.fl_str_mv |
Figueiredo, Rodrigo Marques de |
dc.contributor.advisor-co1Lattes.fl_str_mv |
http://lattes.cnpq.br/0192178587738651 |
dc.contributor.advisor1.fl_str_mv |
Rigo, Sandro José |
contributor_str_mv |
Figueiredo, Rodrigo Marques de Rigo, Sandro José |
dc.subject.cnpq.fl_str_mv |
ACCNPQ::Ciências Exatas e da Terra::Ciência da Computação |
topic |
ACCNPQ::Ciências Exatas e da Terra::Ciência da Computação Aprendizado de máquina Prótese de mão Eletromiografia Inteligência artificial Reconhecimento de padrões Machine learning Hand prosthesis Electromyography Artificial intelligence Pattern recognition |
dc.subject.por.fl_str_mv |
Aprendizado de máquina Prótese de mão Eletromiografia Inteligência artificial Reconhecimento de padrões |
dc.subject.eng.fl_str_mv |
Machine learning Hand prosthesis Electromyography Artificial intelligence Pattern recognition |
description |
Os avanços tecnológicos dos últimos anos permitiram o desenvolvimento de próteses de mão que possuem maior precisão nos movimentos, redução do peso e o uso de sinais bioelétricos em sua operação. Hoje as próteses com controle mioelétrico são consideradas o estado da arte neste segmento, representando uma grande ferramenta na restauração de parte das tarefas habituais e na melhoria da qualidade de vida dos amputados de membros superiores. Contudo, o controle destes equipamentos não é intuitivo pois os usuários das próteses necessitam realizar sequencias complexas de impulsos de contração muscular para alterar o tipo de movimento a executar. O objetivo desta tese foi o desenvolvimento de um sistema em tempo real para controle de mãos protéticas mioelétricas utilizando Aprendizado de Máquina. A arquitetura do sistema incluiu a integração dos dispositivos de aquisição de sinais eletromiográficos (EMG), plataforma para implementação do classificador em tempo real e interface para acionamento elétrico de servomotores para uma prótese de mão open source. Os seguintes modelos de classificadores foram implementados e comparados: uma Rede Neural Multicamadas, uma Rede Neural Convolucional, Rede Neural Recorrente utilizando unidades LSTM e uma Floresta Aleatória. Os ensaios foram realizados primeiramente em sistemas offline envolvendo o processamento de três bancos de dados, incorporando e avaliando de forma incremental diferentes recursos e sensores até a implementação do sistema online. Um classificador Multilayer Perceptron (MLP) foi implementado em uma plataforma para prototipagem rápida (Raspberry Pi 3 modelo B+) obtendo taxas médias de acerto de 96,3% (offline) e 87,2% (online) e respostas em tempo real (10,3 ms) para 11 gestos de mão. |
publishDate |
2021 |
dc.date.accessioned.fl_str_mv |
2021-11-19T12:28:43Z |
dc.date.available.fl_str_mv |
2021-11-19T12:28:43Z |
dc.date.issued.fl_str_mv |
2021-10-08 |
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 |
http://www.repositorio.jesuita.org.br/handle/UNISINOS/10571 |
url |
http://www.repositorio.jesuita.org.br/handle/UNISINOS/10571 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade do Vale do Rio dos Sinos |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Computação Aplicada |
dc.publisher.initials.fl_str_mv |
Unisinos |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Escola Politécnica |
publisher.none.fl_str_mv |
Universidade do Vale do Rio dos Sinos |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UNISINOS (RBDU Repositório Digital da Biblioteca da Unisinos) instname:Universidade do Vale do Rio dos Sinos (UNISINOS) instacron:UNISINOS |
instname_str |
Universidade do Vale do Rio dos Sinos (UNISINOS) |
instacron_str |
UNISINOS |
institution |
UNISINOS |
reponame_str |
Repositório Institucional da UNISINOS (RBDU Repositório Digital da Biblioteca da Unisinos) |
collection |
Repositório Institucional da UNISINOS (RBDU Repositório Digital da Biblioteca da Unisinos) |
bitstream.url.fl_str_mv |
http://repositorio.jesuita.org.br/bitstream/UNISINOS/10571/1/Jo%C3%A3o+Oleg%C3%A1rio+de+Oliveira+de+Souza_.pdf http://repositorio.jesuita.org.br/bitstream/UNISINOS/10571/2/license.txt |
bitstream.checksum.fl_str_mv |
67f71a89c093f6d6af2c449e1f3b5ed2 320e21f23402402ac4988605e1edd177 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UNISINOS (RBDU Repositório Digital da Biblioteca da Unisinos) - Universidade do Vale do Rio dos Sinos (UNISINOS) |
repository.mail.fl_str_mv |
|
_version_ |
1801845061304975360 |