Classificação de sinais eletromiográficos do músculo masseter de bovinos baseada em dicionários para reconhecimento de padrões ingestivos

• Ano de defesa: 2019
• Autor(a) principal: Campos, Daniel Prado de
• Orientador(a): Abatti, Paulo José
• Banca de defesa: Britto Jr, Alceu de Souza , Lazzaretti, André Eugênio , Setti, João Antônio Palma , Vale, Marcos Martinez do
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Tecnológica Federal do Paraná; Curitiba
• Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia Elétrica e Informática Industrial
• País: Brasil
• Palavras-chave em Português: Processamento de sinais; Sistemas de reconhecimento de padrões; Pecuária - Automação; Bovinos - Alimentação e rações - Simulação por computador; Nutrição animal; Animais - Proteção; Eletromiografia; Engenharia elétrica; Signal processing; Pattern recognition systems; Animal culture - Automation; Cattle - Feeding and feeds - Computer simulation; Animal nutrition; Animal welfare; Electromyography; Electric engineering
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
• Link de acesso: http://repositorio.utfpr.edu.br/jspui/handle/1/4637

Esse trabalho apresenta uma proposta de um novo método de reconhecimento de padrões em sinais de eletromiografia de superfície do músculo masseter de vacas leiteiras para classificação de padrões de ingestão e ruminação, bem como a definição de uma metodologia de segmentação desse sinal. O método, chamado de Aprendizado de Dicionário por Discriminante de Fisher (FDDL), é baseado no treinamento de dicionários específicos à classe, o qual é constituído de uma matriz composta de protótipos de sinais. Os dicionários definem um vetor esparso que codifica o sinal com a finalidade de reconstrução. As informações de erro de reconstrução para cada dicionário são usadas como métricas para classificação, dessa forma dispensando etapas de extração de característica. Resultados em bovinos com 2000 exemplos de mastigação e validação cruzada mostraram uma classificação com desempenho significativamente superior (p < 0,05) em relação aos métodos presentes na literatura, apresentando taxa de acerto média de 90%. O método se demonstrou robusto à presença de ruídos, com ganho na taxa de acerto de 2,45% com adição de ruídos severos (0 dB) no treino e no teste e 14,75% com adição apenas no teste, sendo superior à todos os métodos na faixa de 0-20 dB. A continuação do trabalho deve avaliar a capacidade de implementação do método em tempo-real e expandir a classificação para outros padrões ingestivos, como identificação da altura de pasto.