Máquina de vetores de suporte embarcada em hardware para classificação de sinais mioelétricos

• Ano de defesa: 2019
• Autor(a) principal: Majolo, Mariano
• Orientador(a): Balbinot, Alexandre
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Eletromiografia; Máquinas de vetores de suporte; Inteligência artificial; Circuitos integrados
• Palavras-chave em Inglês: sEMG; SVM; Embedded computational intelligence; FPGA
• Link de acesso: http://hdl.handle.net/10183/200641

Sinais mioelétricos são foco de muitos estudos que visam melhorar a capacidade motora de pessoas amputadas ao proporem próteses eletromecânicas cada vez mais inteligentes. Técnicas de aprendizado de máquina são aplicadas a estes sinais e sistemas que preveem movimentos com taxa de acerto acima de 90% para alguns sujeitos são encontrados na literatura. Para atingir estas altas taxas de acerto, porém, o algoritmo de aprendizado deve treinar por minutos ou horas, tempo que acompanha toda e qualquer calibração e que prejudica a popularização de sistemas realimentados nesta área. Com o objetivo de acelerar o processo de treinamento, este trabalho propõe embarcar o sistema em uma FPGA pois estudos mostram que tem capacidade de reduzir o tempo necessário para aprendizado, e sistemas em hardware são pouco explorados pela literatura especializada. O sistema proposto consiste no desenvolvimento de módulos em VHDL para o filtro digital, extração de características, treinamento de Máquinas de Vetores de Suporte, validação e classificação embarcados na FPGA. Ensaios com a base de dados Ninapro indicam taxas de acerto acima de 70% no aprendizado de 10 movimentos executados por alguns sujeitos não amputados após o curto período de tempo de 10 s de treinamento, e acima de 50% quando os movimentos são executados por alguns sujeitos amputados. Estas taxas são inferiores às obtidas em estudos feitos em computadores, onde os recursos de processamento e memória são abundantes, porém, possui as vantagens de portabilidade, possibilitar calibração rápida com treinamento em menos de 10 s, e estar preparado para sistemas realimentados. A velocidade de aprendizado do sistema é aproximadamente 1,76 épocas/ms.