dc.creator |
SOUZA, Gabriel Cirac Mendes |
|
dc.date.issued |
2021-07-13 |
|
dc.identifier.uri |
https://repositorio.unifei.edu.br/jspui/handle/123456789/2477 |
|
dc.description.abstract |
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%. |
pt_BR |
dc.language |
eng |
pt_BR |
dc.publisher |
Universidade Federal de Itajubá |
pt_BR |
dc.rights |
Acesso Aberto |
pt_BR |
dc.subject |
Bio-sinais |
pt_BR |
dc.subject |
BioPatRec |
pt_BR |
dc.subject |
CNN |
pt_BR |
dc.subject |
Engenharia de feature |
pt_BR |
dc.subject |
Engenharia de reabilitação |
pt_BR |
dc.subject |
LSTM |
pt_BR |
dc.title |
Deep learning and feature engineering techniques applied to the myoelectric signal for accurate prediction of movements |
pt_BR |
dc.type |
Tese |
pt_BR |
dc.date.available |
2021-08-02 |
|
dc.date.available |
2021-08-02T21:36:48Z |
|
dc.date.accessioned |
2021-08-02T21:36:48Z |
|
dc.creator.Lattes |
http://lattes.cnpq.br/9282621947516871 |
pt_BR |
dc.contributor.advisor1 |
MORENO, Robson Luiz |
|
dc.contributor.advisor1Lattes |
http://lattes.cnpq.br/6281644588548940 |
pt_BR |
dc.contributor.advisor-co1 |
PIMENTA, Tales Cleber |
|
dc.contributor.advisor-co1Lattes |
http://lattes.cnpq.br/3321577431881283 |
pt_BR |
dc.description.resumo |
Pattern recognition techniques in the Myoelectric Signal (EMG) are employed in the
development of robotic prostheses, and for that, they adopt several approaches of Artificial
Intelligence (AI). This Thesis proposes to solve the problem of recognition of EMG standards
through the adoption of profound learning techniques in an optimized way. The research
developed an approach that extracts the characteristic a priori to feed the classifiers that
supposedly do not need this step. The study integrated the BioPatRec platform (advanced
prosthesis study and development) to two classification algorithms (Convolutional Neural
Network and Long Short-Term Memory) in a hybrid way, where the input provided to the
network already has characteristics that describe the movement (level of muscle activation,
magnitude, amplitude, power, and others). Thus, the signal is tracked as a time series instead
of an image, which allows us to eliminate a set of points irrelevant to the classifier, making the
information expressive. In the sequence, the methodology developed software that implements
the concept introduced using a Graphical Processing Unit (GPU) in parallel this increment
allowed the classification model to combine high precision with a training time of less than
1 second. The parallel model was called BioPatRec-Py and employed some Engineering
techniques of Features that managed to make the network entry more homogeneous, reducing
variability, noise, and standardizing distribution. The research obtained satisfactory results
and surpassed the other classification algorithms in most of the evaluated experiments. The
work performed a statistical analysis of the outcomes and fine-tuned the hyperparameters of
each of the networks. Ultimately, BioPatRec-Py provided a generic model. The network was
trained globally between individuals, allowing the creation of a standardized approach, with
an average accuracy of 97.83%. |
pt_BR |
dc.publisher.country |
Brasil |
pt_BR |
dc.publisher.department |
IESTI - Instituto de Engenharia de Sistemas e Tecnologia da Informação |
pt_BR |
dc.publisher.program |
Programa de Pós-Graduação: Doutorado - Engenharia Elétrica |
pt_BR |
dc.publisher.initials |
UNIFEI |
pt_BR |
dc.subject.cnpq |
CNPQ::ENGENHARIAS::ENGENHARIA ELÉTRICA |
pt_BR |
dc.relation.references |
SOUZA, Gabriel Cirac Mendes. Deep learning and feature engineering techniques applied to the myoelectric signal for accurate prediction of movements. 2021. 145 f. Tese (Doutorado em Engenharia Elétrica) – Universidade Federal de Itajubá, Itajubá, 2021. |
pt_BR |