Classificação com deep learning de sinais de uma interface neural HDsEMG para acionamento de neuropróteses transradiais

Detalhes bibliográficos
Ano de defesa: 2021
Autor(a) principal: Xavier, Ricardo Taoni [UNESP]
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
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/11449/215802
Resumo: Introdução: a amputação do membro superior afeta diretamente o desenvolvimento pessoal, limitando atividades da vida diária e diminuindo a qualidade de vida. Implementar próteses de membros superiores para restaurar e reabilitar funções e capacidades perdidas é um desafio de muitas pesquisas ao redor do mundo. Hoje, próteses comerciais de mãos são controladas intuitivamente por contrações musculares voluntárias. Entretanto, mesmo com a modernização e a qualidade destes sistemas protéticos o acionamento continua sendo um dos principais desafios. A integração entre o acionamento eletromiográfico e o feedback neural tem apresentando resultados consistentes. As neuropróteses são capazes de fornecer ao usuário uma gama de informações, seja para os movimentos realizados pela prótese ou para sensações somatossensoriais artificiais. Esses novos conceitos precisam de técnicas avançadas em inteligência artificial para garantir ao usuário segurança, autonomia e uma interação próxima a realidade. O objetivo deste trabalho foi comparar as classificações entre dois modelos de redes neurais convolucionais profundas, as Deep Learning utilizando métodos de Transfer Learning para o reconhecimento de movimentos por contrações musculares no acionamento de neuropróteses transradiais. Métodos: os modelos escolhidos foram a Deep Learning desenvolvida por pesquisadores da Google (GoogLeNet) e a Deep Learning Visual Geometry Group de 19 camadas (VGG19) desenvolvida por pesquisadores da Universidade de Oxford. O banco de dados utilizado neste trabalho é resultado da implementação de uma interface neural multicanal com sinais eletromiográficos de supeficie de alta densidade (HDsEMG). Contendo 64 canais de aquisição com eletrodos monopolares e uma estrutura modular vestível para o antebraço. Estes sinais foram processados e convertidos em escalogramas, representações no domínio do tempo e da frequência utilizando Transformadas de Wavelets Continuas e Discretas e também recursos para extração de características e reconhecimento de padrões, destacando-se Root mean square, Windowns Length e Slide Windowns como métodos de janelamento e sobreposição, o overlapping e um algoritmo para extração de classes dos sinais, o labelling. Nas classificações foram aplicadas nove classes para o treinamento originados de oito movimentos da mão e do punho mais a classe de repouso. Os modelos receberam a aplicação de quatro métricas de validação para garantir a eficiência dos treinamentos. Sendo elas, a acurária, a sensibilidade, a especificidade, a seletividade e o F1 Score. Resultados: foi gerado um banco de dados com imagens de escalogramas para o treinamento dos modelos investigados, apresentando acurária acima de 70%, o modelo GoogLeNet apresentou acurácia máxima de 79,46% e a modelo VGG19 apresentou acurácia máxima de 85,66%. Conclusão: esta tese fornece evidências sobre a eficiência de classificadores deep learning com os modelos GoogLeNet e VGG19, onde demonstraram seu potencial para aumentar a capacidade funcional das neupróteses de membros superiores. A estratégia de utilizar a interface neural HDsEMG com os modelos propostos melhorou efetivamente os resultados. Essas descobertas abrem perspectivas promissoras para aplicações em neuropróteses transradiais.