Repositório Digital

A- A A+

Classificação de movimentos da mão utilizando eletromiografia de superfície, regressão logística, redes neurais, máquina de vetores de suporte e base de dados NinaPro

.

Classificação de movimentos da mão utilizando eletromiografia de superfície, regressão logística, redes neurais, máquina de vetores de suporte e base de dados NinaPro

Mostrar registro completo

Estatísticas

Título Classificação de movimentos da mão utilizando eletromiografia de superfície, regressão logística, redes neurais, máquina de vetores de suporte e base de dados NinaPro
Outro título Classification of hand movements using superficial electromyography, logistic regression, neural network, support vector machine and ninapro database
Autor Búrigo, Arthur Crippa
Orientador Balbinot, Alexandre
Data 2014
Nível Graduação
Instituição Universidade Federal do Rio Grande do Sul. Instituto de Informática. Curso de Ciência da Computação: Ênfase em Engenharia da Computação: Bacharelado.
Assunto Informática médica
Redes neurais
[en] Hand movement classification
[en] Logistic regression
[en] Neural network
[en] Second ninapro database
[en] Superficial electromyography
[en] Support vector machine
Resumo Portadores de deficiência têm parte de seu poder de ação limitado devido a sua condição física. Uma maneira de amenizar a situação dessas pessoas é a utilização de próteses para a eliminação parcial ou, idealmente, completa da deficiência. Este trabalho utiliza a segunda base de dados NinaPro para o desenvolvimento de um sistema, baseado em eletromiografia de superfície, para a classificação de movimentos da mão de uma pessoa (abdução dos dedos, dedos flexionados em punho, extração do dedo indicador, flexão da mão, extensão da mão e pegada). Em especial, ele compara o desempenho de três algoritmos de classificação (regressão logística, redes neurais e máquina de vetores de suporte) para conjuntos variáveis de eletrodos, para conjuntos variáveis de características e para tamanhos de conjunto de treinamento distintos. O trabalho mostra que as taxas de acerto dos modelos de aprendizado decrescem com a diminuição do tamanho do conjunto de eletrodos utilizado, porém evidencia que o posicionamento destes eletrodos também pode ser um fator importante para a qualidade da classificação dos sinais. Além disso, ele destaca altas taxas de acerto ao se considerar somente algumas características extraídas do domínio da frequência (como a obliquidade e o centroide espectral), confirma que a taxa de acerto média dos modelos diminui com a redução do tamanho do conjunto de treinamento e revela que os modelos de regressão logística e rede neural apresentam taxas de acerto muito próximas (96;3% no caso de teste padrão) e superiores às taxas do modelo de máquina de vetores de suporte (92;2% no caso de teste padrão).
Abstract People with disabilities are partially limited due to their physical condition. One way to minimize their situation is the use of prosthesis to reduce or, ideally, completely eliminate the disability. This project uses the second NinaPro database to develop a system, based on superficial electromyography, capable of classifying movements of a person’s hand (abduction of the fingers, fingers flexed together in fist, pointing index, wrist flexion, wrist extension and grasp). In particular, it compares the accuracy of three classification methods (logistic regression, neural networks and support vector machine) for variable sets of electrodes, for variable sets of characteristics and for training sets of different sizes. This paper demonstrates that the accuracies of the models decrease with the reduction of the set of electrodes, but shows that the positioning of these electrodes may be an important factor for the quality of classification. Moreover, it highlights high accuracy rates when considering only some features extracted from the frequency domain (as skewness and spectral centroid), confirms that the accuracies of the models decrease with the reduction of the training set size and shows that logistic regression and neural network models present similar but superior accuracies (96;3% on the standard test case), when compared to that of a support vector machine model (92;2% on the standard test case).
Tipo Trabalho de conclusão de graduação
URI http://hdl.handle.net/10183/131919
Arquivos Descrição Formato
000952653.pdf (5.570Mb) Texto completo Adobe PDF Visualizar/abrir

Este item está licenciado na Creative Commons License

Este item aparece na(s) seguinte(s) coleção(ões)


Mostrar registro completo

Percorrer



  • O autor é titular dos direitos autorais dos documentos disponíveis neste repositório e é vedada, nos termos da lei, a comercialização de qualquer espécie sem sua autorização prévia.
    Projeto gráfico elaborado pelo Caixola - Clube de Criação Fabico/UFRGS Powered by DSpace software, Version 1.8.1.