Classificação de sinais eletromiográficos utilizando redes neurais artificiais, análise discriminante linear e floresta aleatória

Existe hoje no mercado, uma defasagem de próteses para membros superiores com relação as próteses de membro inferior. Isso se deve a soma de um mercado menor, afinal apenas aproximadamente 20% das amputações feitas são de membros superiores, somado a uma maior dificuldade de desenvolvimento dessas próteses (ZIEGLER-GRAHAM, 2008) e, ainda, um elevado custo para aquisição de uma. Avanços modernos nas inteligências artificiais e acesso a processamento de dados, somados com o surgimento de startups e cientistas interessados em utilizar o melhor que o processamento de dados pode oferecer, garantiu um grande salto tecnológico nos modelos de próteses e uma redução considerável de custos. Nesse trabalho, tomando por base o banco de dados público Ninapro (Non-Invasive Adaptive Hand Prosthetics), utilizou-se três distintas técnicas de inteligência artificial, buscando descobrir qual delas é a mais promissora na classificação dos sinais mioelétricos. Os algoritmos utilizados são Redes Neurais Artificiais, Análise Discriminante Linear e Floresta Aleatória, sendo apresentado, durante o trabalho, todo o seu desenvolvimento, ajuste de parâmetros, validação e testes. Com base nos testes feitos, identificou-se a Floresta Aleatória como a mais promissora das três abordagens, alcançando uma acurácia que variou de 92% em conjuntos de 5 movimentos a 84% em conjuntos com todos os 52 movimentos trabalhados.