Estudo da influência das etapas de segmentação, extração de características e classificação do alfabeto em linguagem brasileira de sinais a partir de sinais eletromiográficos de superfície

• Autor(a) principal: Mendes Junior, Jose Jair Alves
• Data de Publicação: 2020
• Tipo de documento: Tese
• 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/1/25098
• topic: CNPQ::ENGENHARIAS::ENGENHARIA BIOMEDICA; Lingua de sinais - Brasil; Processamento de sinais; Sistemas de reconhecimento de padrões; Eletromiografia; Surdos - Meios de comunicação; Percepção de padrões; Sign language - Brasil; Signal processing; Pattern recognition systems; Electromyography; Deaf - Means of communication; Pattern perception; Engenharia Elétrica

Sistemas de Reconhecimento de Linguagem de Sinais são desenvolvidos para facilitar a comunicação entre pessoas com deficiência auditiva e falantes, identificando os sinais e traduzindo-os para linguagem local. Dentre as técnicas utilizadas para essa finalidade, destacase a Eletromiografia de superfície (sEMG). A sEMG consiste da aquisição de sinais provenientes das ações musculares e tem apresentado alta confiabilidade e robustez para aplicações de reconhecimento de gestos em geral. Nessa premissa, essa tese apresenta um estudo das influências das etapas de processamento de sinal de sEMG para o reconhecimento de gestos da Linguagem Brasileira de Sinais (Libras). Sinais das 26 letras do alfabeto de Libras foram adquiridos por 12 indivíduos utilizando uma armband comercial MyoTM. Posteriormente, foram avaliadas as etapas de segmentação, extração de características e classificação e as suas influências em cada um dos seus estágios do processo de reconhecimento de padrões. Na etapa de segmentação, o comprimento da janela e a taxa de sobreposição foram os parâmetros avaliados. No estágio de extração de características, foram avaliadas as contribuições de cada característica e de conjuntos de características (tanto da literatura quanto de novos conjuntos propostos). Foram avaliados diferentes classificadores e o comportamento destes na análise dos dados para todos os voluntários, para as contribuições dos voluntários individualmente e para as sequências de aquisição. Técnicas de redução de dimensionalidade foram propostas para diminuir a quantidade de atributos na entrada dos classificadores. Foram obtidas acurácia acima de 90%, chegando até 99% com as seguintes combinações: comprimento de segmento de 1,75 s, 12,5% de taxa de sobreposição com o conjunto de características composto por MFL, RMS, TTP e MNP, classificador baseado em Random Forests e até 6 dimensões obtidas pelo método t-SNE e por redução entre canais e características.