Use este identificador para citar ou linkar para este item: http://repositorio.utfpr.edu.br/jspui/handle/1/35941
Título: Identificação de gestos por sinais eletromiográficos de superfície utilizando aprendizado de máquina
Título(s) alternativo(s): Gesture classification by surface electromyographic signals using machine learning
Autor(es): Carneiro, Matheus Taborda
Orientador(es): Mendes Junior, José Jair Alves
Palavras-chave: Eletromiografia
Processamento de sinais
Gestos - Identificação
Electromyography
Signal processing
Gesture - Identification
Data do documento: 19-Jun-2023
Editor: Universidade Tecnológica Federal do Paraná
Câmpus: Curitiba
Citação: CARNEIRO, Matheus Taborda. Identificação de gestos por sinais eletromiográficos de superfície utilizando aprendizado de máquina. 2023. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Eletrônica) - Universidade Tecnológica Federal do Paraná, Curitiba, 2023.
Resumo: As limitações das interfaces homem-máquina devem ser constantemente desafiadas para permitir melhoramentos ou até mesmo reestabelecimento das capacidades humanas. Diversos tópicos são estudados ao redor desse eixo temático, sendo um deles o reconhecimento de gestos manuais, que traz um controle mais intuitivo e prático para diferentes sistemas. A técnica de Eletromiografia de Superfície se destaca bastante nas aplicações de identificação de gestos, apresentando alta confiabilidade e robustez quando executam-se as etapas de processamento e aquisição corretas. Nesse projeto foi desenvolvido um sistema de processamento de sinais eletromiográficos de superfície para a identificação de gestos performados por uma mão. Foram adquiridos 5 gestos predeterminados de 5 indivíduos voluntários por meio de um bracelete comercial Myo™, que conta com 8 canais de eletrodos secos. Posteriormente à aquisição foram avaliados limiares e janelas de aquisição para as etapas de segmentação, grupos de características nas etapas de extração de características e parâmetros de classificadores, sendo selecionados por acurácia de identificação para a operação online. São colocadas em comparação as estratégias de treinamento dos algoritmos com todos os dados coletados e também indivíduo à indivíduo, comparando também suas precisões. O sistema desenvolvido alcançou acurácias de 95,9% em sua operação offline e 93,6% nos testes em operação online, usando um classificador baseado em Support Vector Machine (SVM).
Abstract: The human-machine interfaces limitations should be constantly challenged, só qe can achieve enhancements or even reestabilsh human capacities. Several topics are studied around this thematic axis, one of then being gesture recognition, that brings an intuitive and pratical control for different systems. The sEMG technique is highlighted in gesture recognition applications, showing high reliability and robustness when the correct signal processing and acquision are executed. In this project it was developed a sEMG signal processing system for hand gesture recognition. Five hand gestures from five subjects were acquired by a commercial Myo™armband, that has 8 channels of dry electrodes. After data acquisition it was evaluated threshold and acquisition windows for the segmentation step, feature groups for the feature extration step and classifier parameters, selecting the best accuracy for usage in online operation. The training strategies of the algorithms are compared between all data collected and subject to subject, also comparing their accuracy. The system developed attained 95.9% accuracy in offline operation and 93.6% in online operation tests, using a SVM classifier.
URI: http://repositorio.utfpr.edu.br/jspui/handle/1/35941
Aparece nas coleções:CT - Engenharia Eletrônica

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
sinaiseletromiograficosaprendizadomaquina.pdf1,24 MBAdobe PDFThumbnail
Visualizar/Abrir


Este item está licenciada sob uma Licença Creative Commons Creative Commons