Reconhecimento de gestos de membros superiores usando eletromiografia de superfície para uso em reabilitação

• Main Author: Aguiar, Lucas Fernandes
• Other Authors: Bó, Antônio Padilha Lanari
• Language: Portuguese
• Published: 2018
• Subjects: Computação ubíqua; Eletromiografia de superfície; Classificação
• Online Access: http://repositorio.unb.br/handle/10482/31310

Dissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2017. === Submitted by Raquel Almeida ([e-mail]) on 2018-02-21T18:30:48Z No. of bitstreams: 1 2017_LucasFernandesAguiar.pdf: 13647190 bytes, checksum: 01b3bd5257d66308c2104a60b9dce5a9 (MD5) === Approved for entry into archive by Raquel Viana ([e-mail]) on 2018-02-27T18:25:58Z (GMT) No. of bitstreams: 1 2017_LucasFernandesAguiar.pdf: 13647190 bytes, checksum: 01b3bd5257d66308c2104a60b9dce5a9 (MD5) === Made available in DSpace on 2018-02-27T18:25:58Z (GMT). No. of bitstreams: 1 2017_LucasFernandesAguiar.pdf: 13647190 bytes, checksum: 01b3bd5257d66308c2104a60b9dce5a9 (MD5) Previous issue date: 2018-02-27 === Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES). === Tecnologias vestíveis são um dos focos de estudo da computação ubíqua, que por sua vez está na vanguarda do recente paradigma da computação em que um usuário está cercado por diversos dispositivos computacionais. As áreas de cuidados para a saúde e reabilitação vêm sendo estimuladas por novas tecnologias vestíveis surgindo no mercado e por pesquisas acadêmicas conduzidas mundialmente. Este trabalho se insere justamente neste contexto com o uso de um dispositivo vestível para obtenção de dados de eletromiografia de superfície para o desenvolvimento de uma tecnologia de reconhecimento de gestos de mão e propondo um algoritmo inovador para clusterização, treinamento e classificação multi classe. Terapias de reabilitação de movimento de membro superior que utilizam gestos do membro contralateral necessitam de métodos eficientes, rápidos e de fácil configuração para reconhecimento de gestos que possam ser utilizados em interfaces inteligentes, para a estimulação do membro parético, fazendo uso da imagética motora que resulta no movimento do membro saudável como estratégia de terapia para o membro lesionado. O objetivo deste trabalho é aplicar um sistema de aquisição de eletromiografia (EMG) multicanal econômico e de fácil utilização, bem como avaliar seu desempenho de reconhecimento de gestos em um protocolo onde nenhum procedimento de inicialização seja necessário antes do uso. Dados de EMG do antebraço gerados a partir do movimento das mãos são analisados de forma a extrair a informação mais relevante para a classificação de gestos previamente determinados. Um algoritmo é apresentado e se utiliza um arranjo das ferramentas, iniciando com a análise das componentes principais (PCA) para selecionar as características mais relevantes que foram extraídas do sinal de EMG, clusterização por k-means utilizando os dados projetados sobre suas componentes principais com o objetivo de encontrar os centróides que representem as regiões de cada gesto, árvore binária multimodal (MBT) de forma a permitir que o problema de classificação multi modal fosse particionado em problemas menos complexos, e máquina de vetor de suporte (SVM) como metodologia para separação binária de classes, todas estas técnicas combinadas de maneira a aprimorar o treinamento e classificação do reconhecedor. O classificador de 5 gestos criado com tal metodologia apresenta taxa de acerto média de 81% em tempo real, demonstrando potencial para investigação futura em aplicações de interface baseada em dados de sEMG, bem como em reabilitação. Já o classificador de 9 gestos apresenta taxa média de acerto de 46%, o que mostra que este reconhecedor necessita de mais dados para esta tarefa devido à similaridade dos dados de EMG entre eles. === Wearable technologies are on the center of ubiquitous computing researches, which is leading to a new paradigm where one user is surrounded by many computational devices. Healthcare and rehabilitation are being arouse by new wearable devices available on the market and by academic researches conducted worldwide on this field. This work is precisely inserted in this topics by using a wearable gadget to obtain superficial electromyography data in order to develop a hand gesture recognition technology and proposing a novel algorithm for clustering, training and classification for multi-class problems. Upper limb movement rehabilitation therapies using contralateral limb gestures require efficient, quick, and easily configured methods for recognizing gestures that can be used in intelligent interfaces for the stimulation of the paretic limb, making use of motor imagery that results in the movement of the healthy limb as a therapy strategy for the injured limb. The goal of this work is to apply an easy-to-use and economical multi-channel electromyography (EMG) acquisition system and evaluate its gesture recognition performance in a protocol where no initialization procedure is allowed before use Forearm EMG data generated from hand movement are analyzed in order to extract the most relevant information for the classification of previously determined gestures. An algorithm is presented and an array of tools is used, starting with the main component analysis (PCA) to select the most relevant characteristics that were extracted from the EMG signal, k-means clustering using the projected data on its main components aiming to find the centroids that represent the regions of each gesture, a multi-modal binary tree (MBT) in order to allow the problem of multi-modal classification to be partitioned into less complex problems, and support vector machine (SVM) as methodology for binary class separation, all these techniques combined in a way to improve the training and classification of the recognizer. The 5-gesture classifier created with such methodology presents a real-time average hit rate of 81%, demonstrating the potential for future research in interface applications based on sEMG data, as well as in rehabilitation. On the other hand, the 9-gesture classifier has a 46% hit rate, which means that this classifier needs more data to distinguish gestures with similar sEMG data.