Resumo:
Técnicas de reconhecimento de padrões no Sinal Mioelétrico (EMG) são empregadas no
desenvolvimento de próteses robóticas, e para isso, adotam diversas abordagens de Inteligência Artificial (IA). Esta Tese se propõe a resolver o problema de reconhecimento de padrões
EMG através da adoção de técnicas de aprendizado profundo de forma otimizada. Para isso,
desenvolveu uma abordagem que realiza a extração da característica a priori, para alimentar
os classificadores que supostamente não necessitam dessa etapa. O estudo integrou a plataforma BioPatRec (estudo e desenvolvimento avançado de próteses) a dois algoritmos de
classificação (Convolutional Neural Network e Long Short-Term Memory) de forma híbrida,
onde a entrada fornecida à rede já possui características que descrevem o movimento (nível
de ativação muscular, magnitude, amplitude, potência e outros). Assim, o sinal é rastreado
como uma série temporal ao invés de uma imagem, o que nos permite eliminar um conjunto
de pontos irrelevantes para o classificador, tornando a informação expressivas. Na sequência,
a metodologia desenvolveu um software que implementa o conceito introduzido utilizando
uma Unidade de Processamento Gráfico (GPU) de modo paralelo, esse incremento permitiu
que o modelo de classificação aliasse alta precisão com um tempo de treinamento inferior a 1
segundo. O modelo paralelizado foi chamado de BioPatRec-Py e empregou algumas técnicas
de Engenharia de Features que conseguiram tornar a entrada da rede mais homogênea, reduzindo a variabilidade, o ruído e uniformizando a distribuição. A pesquisa obteve resultados
satisfatórios e superou os demais algoritmos de classificação na maioria dos experimentos
avaliados. O trabalho também realizou uma análise estatística dos resultados e fez o ajuste
fino dos hiper-parâmetros de cada uma das redes. Em última instancia, o BioPatRec-Py forneceu um modelo genérico. A rede foi treinada globalmente entre os indivíduos, permitindo
a criação de uma abordagem global, com uma precisão média de 97,83%.
