Use este identificador para citar ou linkar para este item:
https://repositorio.unifei.edu.br/jspui/handle/123456789/4201
Tipo: | Dissertação |
Título: | Sistema de controle para prótese ativa de joelho utilizando Deep Learning embarcado |
Autor(es): | YAMASHITA, João Vitor Yukio Bordin |
Primeiro Orientador: | LEITE, João Paulo Reus Rodrigues |
metadata.dc.contributor.advisor-co1: | MACHADO, Jeremias Barbosa |
Resumo: | Este trabalho aborda o desenvolvimento de modelos de Redes Neurais Convolucionais (CNNs) otimizados para a predição do ângulo do joelho em sistemas embarcados, visando aplicações em próteses de membros inferiores. Utilizando Unidades de Medida Inercial (IMUs) de baixo custo e técnicas de otimização multiobjetivo, foram desenvolvidos modelos especializados para diferentes tipos de marcha (curta, natural e longa), associados a um classificador capaz de identificar o padrão de marcha em tempo real. Os resultados demonstram que os modelos especializados superam significativamente um modelo combinado, alcançando um erro médio quadrático (RMSE) de 2, 050◦, uma melhoria de mais de 48% com relação a este último. Além disso, a implementação em um microcontrolador Kendryte K210 validou a viabilidade de implantação em hardware acessível, mantendo a eficiência computacional necessária para aplicações em tempo real. Este estudo contribui para o avanço das tecnologias assistivas, indicando que modelos eficientes de aprendizado profundo podem ser efetivamente implementados em sistemas embarcados, melhorando a qualidade de vida de indivíduos com amputações de membros inferiores. Essa abordagem aumenta ainda a acessibilidade financeira de soluções protéticas avançadas, tornando-as mais viáveis para indivíduos em regiões economicamente desfavorecidas. |
Abstract: | This work addresses the development of optimized Convolutional Neural Network (CNN) models for knee angle prediction in embedded systems, targeting applications in lower limb prosthetics. By leveraging low-cost Inertial Measurement Units (IMUs) and multiobjective optimization techniques, specialized models were developed for different gait types (short, natural, and long strides), associated with a classifier capable of real-time gait pattern identification. The results demonstrate that specialized models significantly outperform a combined model, achieving a root mean square error (RMSE) of 2.050◦, an improvement of over 48% compared to the latter. Furthermore, implementation on a Kendryte K210 microcontroller validated the feasibility of deployment on accessible hardware while maintaining the computational efficiency required for real-time applications. This study contributes to the advancement of assistive technologies, indicating that efficient deep learning models can be effectively implemented on embedded systems, improving the quality of life for individuals with lower limb amputations. This approach further increases the affordability of advanced prosthetic solutions, making them more accessible to individuals in economically disadvantaged regions. |
Palavras-chave: | Redes neurais convolucionais TinyML Sistemas embarcados Aprendizado de máquina |
CNPq: | CNPQ::CIÊNCIAS EXATAS E DA TERRA::CIÊNCIA DA COMPUTAÇÃO |
Idioma: | por |
País: | Brasil |
Editor: | Universidade Federal de Itajubá |
Sigla da Instituição: | UNIFEI |
metadata.dc.publisher.department: | IESTI - Instituto de Engenharia de Sistemas e Tecnologia da Informação |
metadata.dc.publisher.program: | Programa de Pós-Graduação: Mestrado - Ciência e Tecnologia da Computação |
Tipo de Acesso: | Acesso Aberto |
URI: | https://repositorio.unifei.edu.br/jspui/handle/123456789/4201 |
Data do documento: | 12-Dez-2024 |
Aparece nas coleções: | Dissertações |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Dissertação_2025007.pdf | 6,57 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.