Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/35328| Título: | Análise de padrões de fadiga muscular usando inteligência artificial e sinais de eletromiografia durante exercício dinâmico |
| Título(s) alternativo(s): | Analysis of muscle fatigue patterns using artificial intelligence and electromyography signals during ynamic exercises |
| Autor(es): | Schiaber, Pamela de Souza |
| Orientador(es): | Scalassara, Paulo Rogerio |
| Palavras-chave: | Padrões de desempenho Fadiga Eletromiografia Performance standards Fatigue Electromyography |
| Data do documento: | 5-Set-2024 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Cornelio Procopio |
| Citação: | SCHIABER, Pamela de Souza. Análise de padrões de fadiga muscular usando inteligência artificial e sinais de eletromiografia durante exercício dinâmico. 2024. Tese (Doutorado em Engenharia Elétrica - Uel/Utpfr) - Universidade Tecnológica Federal do Paraná, Cornélio Procópio, 2024. |
| Resumo: | O estudo da fadiga muscular é essencial para a prevenção de lesões, e inúmeras investigações se concentraram em contrações musculares estáticas. Quando a contração é dinâmica (envolve movimento corporal, relaxamento muscular e contração), o comportamento muscular é diferente, principalmente quando ocorre fadiga muscular. Não há estudos suficientes sobre análise de fadiga muscular em contrações dinâmicas, e mesmo as melhores características e medidas para aplicar no sinal para identificar fadiga muscular são conhecidas. Por isso, este trabalho tem como objetivo estudar padrões de fadiga muscular de um exercício de pedalagem (contração dinâmica) usando diferentes características do sinal, aplicando a Análise de Componentes Independentes (ICA) em um pré-processamento de sinal, lógica Paraconsistente Anotada de dois Valores (PAL2v) para estudar os estágios de fadiga e fazer uma classificação entre as classes fadiga e sem fadiga. Primeiro serão extraídos diferentes grupos de características do sinal; os grupos serão comparados em uma classificação de desempenho, e o melhor grupo será aplicado em uma análise de impacto de características e também em um estudo da melhor configuração de janelamento EMG e usando ou não as partes de inatividade muscular no sinal. Depois disso, será aplicado o PAL2v para uma melhor compreensão do comportamento muscular, analisando um possível estágio intermediário de fadiga. O uso do PAL2v também definirá a melhor propagação de rótulos nos estágios de fadiga. Na última etapa, será feita uma classificação entre as duas classes e observada a importância das características. Os resultados mostram que a melhor configuração usa o sinal inteiro, as melhores características são do grupo espectral (do domínio da frequência) e o uso de um estágio intermediário de fadiga precisa de mais processamento de sinal e estudos para ser aplicado em uma classificação simples de fadiga muscular. A classificação de melhor desempenho obteve uma pontuação de precisão de 0,84 usando o classificador XGBoost e o detector de alterações KSWIN. |
| Abstract: | The study of muscle fatigue is essential for preventing injuries, and numerous investigations have focused on static muscle contractions. When the contraction is dynamic (involves body movement, muscular relaxation, and contraction), the muscle behavior is different, mainly when muscle fatigue occurs. There are not enough studies on muscle fatigue analysis in dynamic contractions, and even the best features and measures to apply in the signal to identify muscle fatigue are known. Because of that, this work aims to study muscle fatigue patterns of a pedaling exercise (dynamic contraction) using different features from the signal, applying the Independent Component Analysis (ICA) in a signal pre-processing, Paraconsistent Annotated logic of two Values (PAL2v) to study the stages of fatigue and doing a classification between the classes fatigue and no-fatigue. First will be extracted different groups of features from the signal; the groups will be compared in a classification performance, and the best group will be applied in an analysis of feature impact and also in a study of the best configuration of EMG windowing and using or not the parts of muscular inactivity in the signal. After that, will be applied the PAL2v to a better understanding of the muscle behavior, analyzing a possible intermediary stage of fatigue. Using PAL2v will also define the best label propagation in the stages of fatigue. In the last step, will be made a classification between the two classes and observed the importance of the features. Results show that the best configuration uses the whole signal, the best features are from the spectral group (from the frequency domain), and the use of an intermediary stage of fatigue needs more signal processing and studies to be applied in a simple muscle fatigue classification. The best performance classification got an accuracy score of 0.84 using the XGBoost classifier and the KSWIN change detector. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/35328 |
| Aparece nas coleções: | CP - Programa de Pós-Graduação em Engenharia Elétrica |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| analysisofmusclefatiguepatternsusingaIandemgsignals.pdf | 4,19 MB | Adobe PDF |  Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.