Através dos dispositivos e técnicas desenvolvidas na área da Instrumentação Biomédica é possível oferecer um tratamento ou de forma geral soluções que permitam uma vivência mais plena em sociedade para pessoas que possuem algum tipo de deficiência ou doença. Com o aumento da capacidade computacional nos últimos anos foi possível desenvolver muitas técnicas e dispositivos apoiados em processamento digital de sinais e há um grande interesse pelo desenvolvimento de interfaces mais naturais, como sinais biológicos para o controle de próteses e dispositivos. Este trabalho tem por objetivo apresentar o desenvolvimento de um método de Inteligência Computacional baseado em Regressão Logística capaz de classificar 17 movimentos do segmento mão-braço realizados pelos voluntários do estudo através do processamento do sinal mioelétrico (SME) adquiridos dos sujeitos em questão. Adicionalmente é realizada uma avaliação da influência de alguns dos canais, características do sinal e movimentos executados na taxa de acerto global. Para a realização do sistema foi utilizado um aparato experimental capaz de adquirir os SME através de 12 canais utilizando eletrodos não invasivos e posteriormente digitalizá-los. Logo após efetua-se a extração das três características utilizadas no trabalho, que servem de entrada para o método de Regressão Logística. Para este estudo foram processados três bancos de dados que perfazem um total de 50 voluntários. A taxa média de acerto alcançada foi de 70,1%, considerando todas as variações de testes realizados enquanto a média para os melhores casos de cada variação de entrada realizada foi de 92,5%. / Through the devices and techniques developed in the field of Biomedical Instrumentation commonly is possible to offer treatment or solutions to provide a more pleasurable experience in society for people who have a disability or illness. With increasing computing capability in recent years, it has been possible to develop many techniques and devices supported by digital signal processing, and there is a great interest in the development of more natural interfaces, such as biological signals for the control of devices and prostheses. This work aims to present the development of a computational intelligence method based on Logistic Regression able to classify 17 movements of the hand-arm segment performed by the subjects of this study through the processing of the myoelectric signal (SME) acquired from the subject in question. Additionally, an assessment of the influence of some of the combination of the channels, signal characteristics and movements performed in the overall hit rate is additionally performed. To conduct the system has built an experimental apparatus able to acquire the SME through 12 channels using non-invasive electrodes and scan them. Thereafter there is a three features extraction from the signal which serves as input to the Logistic Regression method. For this study were processed three databases that compose 50 volunteers. The average hit rate achieved was 70.1%, considering all tests variations while the average for the best cases for each input variation performed was 92,5 %.

Através dos dispositivos e técnicas desenvolvidas na área da Instrumentação Biomédica é possível oferecer um tratamento ou de forma geral soluções que permitam uma vivência mais plena em sociedade para pessoas que possuem algum tipo de deficiência ou doença. Com o aumento da capacidade computacional nos últimos anos foi possível desenvolver muitas técnicas e dispositivos apoiados em processamento digital de sinais e há um grande interesse pelo desenvolvimento de interfaces mais naturais, como sinais biológicos para o controle de próteses e dispositivos. Este trabalho tem por objetivo apresentar o desenvolvimento de um método de Inteligência Computacional baseado em Regressão Logística capaz de classificar 17 movimentos do segmento mão-braço realizados pelos voluntários do estudo através do processamento do sinal mioelétrico (SME) adquiridos dos sujeitos em questão. Adicionalmente é realizada uma avaliação da influência de alguns dos canais, características do sinal e movimentos executados na taxa de acerto global. Para a realização do sistema foi utilizado um aparato experimental capaz de adquirir os SME através de 12 canais utilizando eletrodos não invasivos e posteriormente digitalizá-los. Logo após efetua-se a extração das três características utilizadas no trabalho, que servem de entrada para o método de Regressão Logística. Para este estudo foram processados três bancos de dados que perfazem um total de 50 voluntários. A taxa média de acerto alcançada foi de 70,1%, considerando todas as variações de testes realizados enquanto a média para os melhores casos de cada variação de entrada realizada foi de 92,5%. / Through the devices and techniques developed in the field of Biomedical Instrumentation commonly is possible to offer treatment or solutions to provide a more pleasurable experience in society for people who have a disability or illness. With increasing computing capability in recent years, it has been possible to develop many techniques and devices supported by digital signal processing, and there is a great interest in the development of more natural interfaces, such as biological signals for the control of devices and prostheses. This work aims to present the development of a computational intelligence method based on Logistic Regression able to classify 17 movements of the hand-arm segment performed by the subjects of this study through the processing of the myoelectric signal (SME) acquired from the subject in question. Additionally, an assessment of the influence of some of the combination of the channels, signal characteristics and movements performed in the overall hit rate is additionally performed. To conduct the system has built an experimental apparatus able to acquire the SME through 12 channels using non-invasive electrodes and scan them. Thereafter there is a three features extraction from the signal which serves as input to the Logistic Regression method. For this study were processed three databases that compose 50 volunteers. The average hit rate achieved was 70.1%, considering all tests variations while the average for the best cases for each input variation performed was 92,5 %.

Através dos dispositivos e técnicas desenvolvidas na área da Instrumentação Biomédica é possível oferecer um tratamento ou de forma geral soluções que permitam uma vivência mais plena em sociedade para pessoas que possuem algum tipo de deficiência ou doença. Com o aumento da capacidade computacional nos últimos anos foi possível desenvolver muitas técnicas e dispositivos apoiados em processamento digital de sinais e há um grande interesse pelo desenvolvimento de interfaces mais naturais, como sinais biológicos para o controle de próteses e dispositivos. Este trabalho tem por objetivo apresentar o desenvolvimento de um método de Inteligência Computacional baseado em Regressão Logística capaz de classificar 17 movimentos do segmento mão-braço realizados pelos voluntários do estudo através do processamento do sinal mioelétrico (SME) adquiridos dos sujeitos em questão. Adicionalmente é realizada uma avaliação da influência de alguns dos canais, características do sinal e movimentos executados na taxa de acerto global. Para a realização do sistema foi utilizado um aparato experimental capaz de adquirir os SME através de 12 canais utilizando eletrodos não invasivos e posteriormente digitalizá-los. Logo após efetua-se a extração das três características utilizadas no trabalho, que servem de entrada para o método de Regressão Logística. Para este estudo foram processados três bancos de dados que perfazem um total de 50 voluntários. A taxa média de acerto alcançada foi de 70,1%, considerando todas as variações de testes realizados enquanto a média para os melhores casos de cada variação de entrada realizada foi de 92,5%. / Through the devices and techniques developed in the field of Biomedical Instrumentation commonly is possible to offer treatment or solutions to provide a more pleasurable experience in society for people who have a disability or illness. With increasing computing capability in recent years, it has been possible to develop many techniques and devices supported by digital signal processing, and there is a great interest in the development of more natural interfaces, such as biological signals for the control of devices and prostheses. This work aims to present the development of a computational intelligence method based on Logistic Regression able to classify 17 movements of the hand-arm segment performed by the subjects of this study through the processing of the myoelectric signal (SME) acquired from the subject in question. Additionally, an assessment of the influence of some of the combination of the channels, signal characteristics and movements performed in the overall hit rate is additionally performed. To conduct the system has built an experimental apparatus able to acquire the SME through 12 channels using non-invasive electrodes and scan them. Thereafter there is a three features extraction from the signal which serves as input to the Logistic Regression method. For this study were processed three databases that compose 50 volunteers. The average hit rate achieved was 70.1%, considering all tests variations while the average for the best cases for each input variation performed was 92,5 %.