Detalhes bibliográficos
| Ano de defesa: |
2020 |
| Autor(a) principal: |
Boris, Fabio Agostinho |
| Orientador(a): |
Não Informado pela instituição |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Estadual Paulista (Unesp)
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: |
|
| Link de acesso: |
http://hdl.handle.net/11449/193431
|
Resumo: |
A classificação de sinais eletromiográficos é uma tarefa importante para o controle de próteses ativas de membros superiores. Este trabalho propõe analisar e avaliar técnicas e ferramentas para classificação de sinais eletromiográficos (EMG) de superfície, produzindo modelos preditivos viáveis para o controle de próteses de membros superiores. Os sinais eletromiográficos foram obtidos a partir de uma base de dados pública. Algoritmos de aprendizagem de máquina, transformadas discretas wavelets e sete características do sinal EMG foram usadas para classificar os sinais. Foram criadas amostras aleatórias para as tarefas de treinamento e teste em subconjuntos com 80% e 20% dos dados, respectivamente. Os algoritmos de aprendizado de máquina foram treinados com diferentes configurações, permitindo avaliação entre os classificadores e os parâmetros utilizados em cada modelo. Após a realização dos testes, observa-se que o processamento dos sinais e a extração de características são processos importantes para a obtenção de resultados acurados em sinais eletromiográficos. O melhor resultado produziu uma acurácia média de 97,22% com um classificador Random Forest e três características extraídas a partir de uma transformada discreta wavelet nos dois canais do sinal EMG. |
