Investigação de diferentes métodos e recursos para controle de prótese de mão através da classificação de sinais EMG via aprendizado de máquina

Página do item simplificado
Orientador(a) (dc.contributor.advisor)Rigo, Sandro José
Coorientador(a) (dc.contributor.advisor-co1)Figueiredo, Rodrigo Marques de
Lattes Coorientador(a) (dc.contributor.advisor-co1Lattes)http://lattes.cnpq.br/0192178587738651pt_BR
Lattes Orientador(a) (dc.contributor.advisorLattes)http://lattes.cnpq.br/3914159735707328pt_BR
Autor(a) (dc.contributor.author)Souza, João Olegário de Oliveira de
Autor(a) Lattes (dc.contributor.authorLattes)http://lattes.cnpq.br/4888175103572971pt_BR
Data de Disponibilização (dc.date.accessioned)2021-11-19T12:28:43Z
dc.date.available (dc.date.available)2021-11-19T12:28:43Z
Data da defesa / Data do evento (dc.date.issued)2021-10-08
Abstract (dc.description.abstract)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.en
Resumo (dc.description.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.pt_BR
Agência de fomento (dc.description.sponsorship)Nenhumapt_BR
URI (dc.identifier.uri)http://www.repositorio.jesuita.org.br/handle/UNISINOS/10571
Idioma (dc.language)pt_BRpt_BR
Nome da instituição (dc.publisher)Universidade do Vale do Rio dos Sinospt_BR
País da Instituição (dc.publisher.country)Brasilpt_BR
Departamento (dc.publisher.department)Escola Politécnicapt_BR
Sigla da Instituição (dc.publisher.initials)Unisinospt_BR
Programa (dc.publisher.program)Programa de Pós-Graduação em Computação Aplicadapt_BR
Direitos de acesso ao documento (dc.rights)openAccesspt_BR
Assunto (dc.subject)Aprendizado de máquinapt_BR
Assunto (dc.subject)Prótese de mãopt_BR
Assunto (dc.subject)Eletromiografiapt_BR
Assunto (dc.subject)Inteligência artificialpt_BR
Assunto (dc.subject)Reconhecimento de padrõespt_BR
Assunto (dc.subject)Machine learningen
Assunto (dc.subject)Hand prosthesisen
Assunto (dc.subject)Electromyographyen
Assunto (dc.subject)Artificial intelligenceen
Assunto (dc.subject)Pattern recognitionen
Tema (CNPq) (dc.subject.cnpq)ACCNPQ::Ciências Exatas e da Terra::Ciência da Computaçãopt_BR
Título (dc.title)Investigação de diferentes métodos e recursos para controle de prótese de mão através da classificação de sinais EMG via aprendizado de máquinapt_BR
Tipo de arquivo (dc.type)Tesept_BR

Arquivos

Pacote original

Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
João Olegário de Oliveira de Souza_.pdf
Tamanho:
16.35 MB
Formato:
Adobe Portable Document Format
Descrição:
investigacao_diferentes
Baixar

Licença do pacote

Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
license.txt
Tamanho:
2.12 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar

Coleções

PPG Computação Aplicada