Banca de DEFESA: ARTUR BREDERODES DA COSTA NETO

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : ARTUR BREDERODES DA COSTA NETO
DATA : 23/06/2025
HORA: 14:00
LOCAL: Remoto
TÍTULO:

Comparação de Técnicas de Aprendizado de Máquina para Classificação de Movimentos de Mãos Usando Sinais de sEMG

PALAVRAS-CHAVES:

Eletromiografia de Superfície, Classificação de Gestos Manuais, Inteligência Artificial, Computação Aplicada à Saúde

PÁGINAS: 76
RESUMO:

Em uma era de rápido avanço científico e tecnológico, a eletromiografia expandiu-se além dos diagnósticos tradicionais para incluir a análise de movimentos. O reconhecimento de gestos manuais desempenha um papel fundamental em sistemas de controle, saúde, interação humano-computador e robótica. A eletromiografia de superfície (sEMG) capta eficazmente a atividade muscular, oferecendo informações valiosas sobre as intenções de movimento do usuário. Este trabalho tem como objetivo treinar modelos de aprendizado de máquina para o reconhecimento e a classificação de movimentos das mãos utilizando sinais de sEMG. Para isso, foi realizado um mapeamento sistemático visando identificar os principais classificadores, métodos de aumento de dados e características utilizadas na classificação de movimentos do membro superior. A metodologia envolveu a seleção de bases de dados, o pré-processamento e a análise dos sinais. Diversos modelos de aprendizado de máquina foram estudados e implementados, incluindo K-Nearest Neighbors (KNN), Artificial Neural Networks (ANN), Random Forest (RF), Support Vector Machines (SVM) e Convolutional Neural Networks (CNN). Os resultados do mapeamento indicam que a combinação de data augmentation com algoritmos de aprendizado é uma tendência predominante. Na análise do conjunto DB5, a avaliação de diferentes combinações de características demonstrou a importância da seleção de features para o desempenho dos modelos. A combinação de Root Mean Square, High Resolution Magic, Zero Crossing, Slope Sign Change List e Rough Entropy obteve a maior acurácia (96%), com baixa variação e poucos outliers. Ao comparar os resultados de diferentes bases (subconjuntos de DB1 e DB2), com sinais de características semelhantes, foi avaliada a acurácia média de três modelos (ANN, KNN e RF). No conjunto Ninapro, o KNN teve melhor desempenho (88%), seguido pela ANN (83%) e RF (79%). Já no Myo, a ANN obteve a melhor acurácia (86%), superando o RF (82%) e o KNN (78%). Em resumo, os resultados mostram que a seleção criteriosa de características é essencial para alta acurácia na classificação de gestos com sEMG. A comparação entre modelos em diferentes bases destacou a consistência e robustez da ANN como candidata promissora para aplicações com necessidade de generalização, embora o desempenho ideal dependa das características de cada conjunto

MEMBROS DA BANCA:
Presidente - 2021852 - THIAGO DAMASCENO CORDEIRO
Interno(a) - ***.444.294-** - ALVARO ALVARES DE CARVALHO CESAR SOBRINHO - Outros(as)
Externo(a) à Instituição - RODRIGO LISBÔA PEREIRA - UFRA