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

• Ano de defesa: 2021
• Autor(a) principal: Souza, João Olegário de Oliveira de
• Orientador(a): Rigo, Sandro José
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade do Vale do Rio dos Sinos
• Programa de Pós-Graduação: Programa de Pós-Graduação em Computação Aplicada
• Departamento: Escola Politécnica
• País: Brasil
• Palavras-chave em Português: Aprendizado de máquina; Prótese de mão; Eletromiografia; Inteligência artificial; Reconhecimento de padrões
• Palavras-chave em Inglês: Machine learning; Hand prosthesis; Electromyography; Artificial intelligence; Pattern recognition
• Área do conhecimento CNPq: ACCNPQ::Ciências Exatas e da Terra::Ciência da Computação
• Link de acesso: http://www.repositorio.jesuita.org.br/handle/UNISINOS/10571

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.