Estudo e classificação de gestos de sinalização cirúrgica por meio de eletromiografia de superfície

• Autor(a) principal: Freitas, Melissa La Banca
• Data de Publicação: 2022
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
• Texto Completo: http://repositorio.utfpr.edu.br/jspui/handle/1/30511
• topic: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA; Eletromiografia; Instrumentos e aparelhos cirúrgicos; Classificação; Processamento de sinais; Electromyography; Surgical instruments and apparatus; Classification; Signal processing; Engenharia/Tecnologia/Gestão

A sinalização cirúrgica é uma linguagem específica baseada no conjunto de gestos adotados em ambiente cirúrgico para facilitar a comunicação em manobras realizadas durante os procedimentos. Através da sinalização, o cirurgião transmite a informação ao instrumentador de qual instrumento precisa, reduzindo o tempo total da cirurgia e os erros causados por falhas na comunicação verbal. Com o avanço da tecnologia, sistemas de telecirurgia e cirurgia robótica estão cada vez mais presentes, sendo necessário que estes procedimentos cirúrgicos estejam adequados frente ao avanço da tecnologia. Neste sentido, o presente trabalho tem como objetivo apresentar uma análise de viabilidade do uso de sinais de eletromiografia de superfície (sEMG) e ferramentas de reconhecimento de padrões para classificar gestos de sinalização cirúrgica, visando auxiliar procedimentos cirúrgicos. A aquisição foi feita utilizando a armband comercial MyoTM. A base de dados foi adquirida por meio de 10 voluntários ao realizar 14 gestos de sinalização cirúrgica referentes à solicitação de instrumentos (compressa, fio em carretel, fio solto, pinça Backhaus, pinça hemostática, pinça hemostática Kelly, afastador de Farabeuf, bisturi, porta agulha, válvula Doyen, pinça Allis, pinça anatômica, pinça dente de rato e tesoura) em 30 aquisições. Foram extraídas dezessete características do domínio do tempo e duas do domínio da frequência. A seleção dos grupos de características foi feita com base em trabalhos que também utilizam a classificação de gestos envolvendo a mão e o punho e que apresentaram bons resultados na classificação. A classificação dos 14 gestos foi feita utilizando os algoritmos LDA (Análise dos Discriminantes Lineares), QDA (Análise dos Discriminantes Quadráticos), KNN (K-Vizinhos Próximos), RF (Florestas Aleatórias), SVM (Máquina de Vetores de Suporte) e MLP (Perceptron de Múltiplas Camadas) e Ensemble (combinação de classificadores). A avaliação dos resultados foi feita de três maneiras diferentes: analisando os classificadores com relação ao seu acerto geral; para os diferentes 14 gestos; e para os indivíduos. O sistema proposto é viável caso haja uma calibração antes do uso para cada indivíduo e ajuste dos gestos utilizados, pois foi obtida uma taxa de acerto de mais de 90% para os indivíduos com os melhores resultados, além de 100% de taxa de acerto para os 10 indivíduos em um determinado gesto.