Pesquisas científicas no campo da engenharia de reabilitação estão proporcionando cada vez mais mecanismos que visam ajudar pessoas portadoras de alguma deficiência física a executar tarefas simples do dia-a-dia. Com isso em mente, esse trabalho tem a finalidade de desenvolver um sistema que utiliza sinais musculares e redes neuro-fuzzy para a caracterização de determinados movimentos de um braço humano, com o objetivo de possibilitar futuramente a integração em sistemas de reabilitação. Ensaios preliminares demonstraram que para a caracterização de movimentos simples realizados por um braço humano, o uso exclusivo de técnicas simples de processamento de sinal é suficiente, como a utilização do valor rms. No entanto, para a caracterização de movimentos complexos é necessário um processamento mais robusto do sinal. Para isso foi desenvolvido um sistema experimental que adquire, através de um eletromiógrafo (EMG) de 8 canais, o sinal mioelétrico com eletrodos de superfície posicionados em lugares estratégicos do braço. O sinal é adquirido utilizando como estímulo um modelo virtual que demonstra ao usuário os movimentos do segmento mão-braço que devem ser executados de forma aleatória. Finalmente, com o uso de uma rede neuro-fuzzy, que possibilita a distinção tanto de movimentos simples como de movimentos compostos, se adaptando a diferentes usuários, os movimentos executados foram caracterizados em 12 movimentos distintos, previamente definidos, com uma taxa de acerto médio de 65%. / The scientific researches in the field of rehabilitation engineering are increasingly providing mechanisms to help people with a disability to perform simple tasks of day-to-day. With that in mind, this work aims to develop an experimental robotic prosthesis in order to implement, in the same, a control system that uses muscle signals and neuro-fuzzy networks for characterization of certain movements of a human arm, in order to enable further integration in rehabilitation systems. Preliminary tests showed that for the characterization of simple movements performed by a human arm, the exclusive use of simple techniques of signal processing is sufficient, as the use of the rms value. However, for the characterization of complex movements is required a more robust signal processing. For this was developed an experimental system that acquires through an electromyography (EMG) of 8 channels, the myoelectric signal with surface electrodes positioned in strategic places of the arm. The acquired signal uses, as a stimulus, a virtual model that demonstrates the hand-arm segment movements to be executed by the user at random. Finally, through a neuro-fuzzy network, which enables the distinction of both simple and compound movements, self-adapting to different users, the movements performed were characterized in 12 distinct movements, previously defined, with an average accuracy of 65%.

Pesquisas científicas no campo da engenharia de reabilitação estão proporcionando cada vez mais mecanismos que visam ajudar pessoas portadoras de alguma deficiência física a executar tarefas simples do dia-a-dia. Com isso em mente, esse trabalho tem a finalidade de desenvolver um sistema que utiliza sinais musculares e redes neuro-fuzzy para a caracterização de determinados movimentos de um braço humano, com o objetivo de possibilitar futuramente a integração em sistemas de reabilitação. Ensaios preliminares demonstraram que para a caracterização de movimentos simples realizados por um braço humano, o uso exclusivo de técnicas simples de processamento de sinal é suficiente, como a utilização do valor rms. No entanto, para a caracterização de movimentos complexos é necessário um processamento mais robusto do sinal. Para isso foi desenvolvido um sistema experimental que adquire, através de um eletromiógrafo (EMG) de 8 canais, o sinal mioelétrico com eletrodos de superfície posicionados em lugares estratégicos do braço. O sinal é adquirido utilizando como estímulo um modelo virtual que demonstra ao usuário os movimentos do segmento mão-braço que devem ser executados de forma aleatória. Finalmente, com o uso de uma rede neuro-fuzzy, que possibilita a distinção tanto de movimentos simples como de movimentos compostos, se adaptando a diferentes usuários, os movimentos executados foram caracterizados em 12 movimentos distintos, previamente definidos, com uma taxa de acerto médio de 65%. / The scientific researches in the field of rehabilitation engineering are increasingly providing mechanisms to help people with a disability to perform simple tasks of day-to-day. With that in mind, this work aims to develop an experimental robotic prosthesis in order to implement, in the same, a control system that uses muscle signals and neuro-fuzzy networks for characterization of certain movements of a human arm, in order to enable further integration in rehabilitation systems. Preliminary tests showed that for the characterization of simple movements performed by a human arm, the exclusive use of simple techniques of signal processing is sufficient, as the use of the rms value. However, for the characterization of complex movements is required a more robust signal processing. For this was developed an experimental system that acquires through an electromyography (EMG) of 8 channels, the myoelectric signal with surface electrodes positioned in strategic places of the arm. The acquired signal uses, as a stimulus, a virtual model that demonstrates the hand-arm segment movements to be executed by the user at random. Finally, through a neuro-fuzzy network, which enables the distinction of both simple and compound movements, self-adapting to different users, the movements performed were characterized in 12 distinct movements, previously defined, with an average accuracy of 65%.

Pesquisas científicas no campo da engenharia de reabilitação estão proporcionando cada vez mais mecanismos que visam ajudar pessoas portadoras de alguma deficiência física a executar tarefas simples do dia-a-dia. Com isso em mente, esse trabalho tem a finalidade de desenvolver um sistema que utiliza sinais musculares e redes neuro-fuzzy para a caracterização de determinados movimentos de um braço humano, com o objetivo de possibilitar futuramente a integração em sistemas de reabilitação. Ensaios preliminares demonstraram que para a caracterização de movimentos simples realizados por um braço humano, o uso exclusivo de técnicas simples de processamento de sinal é suficiente, como a utilização do valor rms. No entanto, para a caracterização de movimentos complexos é necessário um processamento mais robusto do sinal. Para isso foi desenvolvido um sistema experimental que adquire, através de um eletromiógrafo (EMG) de 8 canais, o sinal mioelétrico com eletrodos de superfície posicionados em lugares estratégicos do braço. O sinal é adquirido utilizando como estímulo um modelo virtual que demonstra ao usuário os movimentos do segmento mão-braço que devem ser executados de forma aleatória. Finalmente, com o uso de uma rede neuro-fuzzy, que possibilita a distinção tanto de movimentos simples como de movimentos compostos, se adaptando a diferentes usuários, os movimentos executados foram caracterizados em 12 movimentos distintos, previamente definidos, com uma taxa de acerto médio de 65%. / The scientific researches in the field of rehabilitation engineering are increasingly providing mechanisms to help people with a disability to perform simple tasks of day-to-day. With that in mind, this work aims to develop an experimental robotic prosthesis in order to implement, in the same, a control system that uses muscle signals and neuro-fuzzy networks for characterization of certain movements of a human arm, in order to enable further integration in rehabilitation systems. Preliminary tests showed that for the characterization of simple movements performed by a human arm, the exclusive use of simple techniques of signal processing is sufficient, as the use of the rms value. However, for the characterization of complex movements is required a more robust signal processing. For this was developed an experimental system that acquires through an electromyography (EMG) of 8 channels, the myoelectric signal with surface electrodes positioned in strategic places of the arm. The acquired signal uses, as a stimulus, a virtual model that demonstrates the hand-arm segment movements to be executed by the user at random. Finally, through a neuro-fuzzy network, which enables the distinction of both simple and compound movements, self-adapting to different users, the movements performed were characterized in 12 distinct movements, previously defined, with an average accuracy of 65%.

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 %.

Made available in DSpace on 2016-12-23T13:49:05Z (GMT). No. of bitstreams: 1 Marcelo Hubner Moreira.pdf: 3712393 bytes, checksum: 15fd9ae9b7dca34b84a7222592799e3d (MD5) Previous issue date: 2013-01-20 / This work aims to characterize the fatigue from myoelectric signals and use them as an aid to the diagnosis of rheumatic diseases such as Fibromyalgia. The condition for this is the analysis of muscle fatigue. Through the evaluation of myoelectric signals, the behavior of muscle in some work situations was measured, such as isotonic and isometric muscle contraction, which describes the static and dynamic motor behavior. With the myoelectric signals, digital filtering techniques were applied to mitigate the noise corrupting the myoelectric signal. Then some algorithms were implemented to detect fatigue. With that, a protocol for assessing motor response based on the condition of muscle fatigue was established. In this situation, with the working muscle, the myoelectric signal acquisition was made from surface electrodes, using a commercial acquisition system. The data were processed in MATLAB R platform; algorithms were implemented for the identification of fatigue, such as RMS, MNF, ARV, MDF and AIF. In the final result, it was found that for both isometric tasks and isotonic tasks, it is recommended the use of constant weight with 60% of MCV, using MNF and RMS indicators, which were the most consistent indicators among them / Este trabalho tem a finalidade de caracterizar a fadiga a partir da coleta de sinais mioelétricos e usá-lo como ajuda no diagnóstico de doenças reumáticas, como a fibromialgia. A condição para tal é a análise da fadiga muscular. Através da avaliação dos sinais mioelétricos, foi verificado o comportamento do músculo em algumas situações de trabalho, como a contração muscular isotônica e isométrica, que descreve o comportamento motor dinâmico e estático. Com os sinais obtidos, foram aplicadas técnicas de filtragem digital a fim de atenuar os ruídos que corrompem o sinal mioelétrico. Em seguida, foi estabelecida a implementação dealgoritmos para detectar a fadiga. Com isso, pôde-se estabelecer um protocolo de avaliação motora baseada na resposta do músculo à condição de fadiga. Nessa situação de trabalho muscular, a aquisição de sinais mioelétricos foi feita a partir de eletrodos de superfície e aparelho comercial (EMG System do Brasil). Os dados foram processados em plataforma MATLAB R, onde foram implementados algoritmos para a identificação de fadiga, tais como RMS, MNF, ARV, MDF e AIF. No resultado final, foi constatado que, tanto para tarefas isométricas quanto para tarefas isotônicas, é recomendado a utilização de peso constante com 60% da MCV, segundo indicadores MNF e RMS, que foram os mais coerentes dos indicadores pesquisados.

Orientadora: Profa. Dra. Léia Bernardi Bagesteiro / Dissertação (mestrado) - Universidade Federal do ABC, Programa de Pós-Graduação em Neurociência e Cognição, 2014. / A maioria das amputações traumáticas do membro superior ocorre em níveis do punho e da mão. O uso de sinais bioelétricos, como os capturados pela eletromiografia de músculos residuais no segmento mão-braço amputado, já é uma realidade, porém as taxas de rejeição das próteses mioelétricas ainda são elevadas. Um dos maiores desafios atuais é melhorar o desempenho das próteses robóticas a fim de que a interface homem-máquina seja o mais natural possível. O presente estudo teve por objetivo avaliar a intensidade elétrica dos músculos residuais do coto durante movimentos do segmento mão-braço de indivíduos amputados de membro superior. Foram caracterizados diferentes movimentos-alvo a fim de auxiliar no conhecimento da ação muscular após amputação. Oito canais de eletromiografia foram posicionados no membro superior e coto: quatro no braço e quatro no antebraço. Nove movimentos-alvo contínuos foram realizados duas vezes em cada uma das duas séries de movimentos avaliadas. Foram analisados o coto (grupo experimental membro amputado), o membro contralateral à amputação (grupo experimental membro não amputado) e um grupo controle. Todos os grupos apresentaram as mesmas etapas de coleta, desde o posicionamento dos eletrodos até a análise do sinal eletromiográfico. Os dados foram comparados para maior compreensão dos movimentos do membro superior nesses grupos. Os resultados apresentaram diferença entre os grupos. A musculatura de braço teve maior intensidade de ativação elétrica no grupo controle. Por sua vez, o grupo experimental membro amputado teve maior intensidade de ativação em musculaturas extensoras e maior diferenciação dos canais do antebraço. Contudo, o grupo experimental membro não amputado foi o que mais se diferenciou nas diferentes análises, sendo observado menor intensidade de ativação elétrica no braço e antebraço. Conclui-se que a intensidade de ativação dos músculos residuais do coto difere do membro não amputado. / Most traumatic upper-limb amputations occur at the wrist and hand levels. Bioelectric signals, such as the ones captured by electromyography at the amputated hand-arm segment are already a reality, yet rejection rates of myoelectric prostheses are still high. The main challenge is to improve the performance of robotic prostheses enabling a more natural man-machine interface. This study evaluated the electrical magnitude of residual muscles during hand-arm movements of upper limb amputee. Different movements were chosen to promote muscle activation knowledge after amputation. Eight electromyography channels were positioned on the upper-limb and stump: four at the upper arm and four at the forearm. Nine continuous movements were performed twice on each of the two series evaluated. Three groups were analyzed: amputee group (experimental group: amputated limb), contralateral limb amputation (experimental group: non-amputated limb) and control group. All groups had the same data collection phases, electrodes positioning and eletromyographic signals analysis. Data were compared for better understanding of upper limb movements. The results showed difference between groups. The upper arm muscles had greater magnitude of electrical activation in the control group. The experimental group: amputated limb had greater magnitude of electrical activation in the extensor musculature and greater difference from the forearm channels. Moreover the experimental group: non-amputated limb was the most distinguished in comparison with the other two groups on different analyzes, with lower magnitude of electrical activation observed in the upper arm and forearm. It is concluded that the magnitude of activation of the residual muscles in the amputated limb differs from non-amputated limb.

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 %.

A finalidade desse trabalho é desenvolver um protótipo de uma prótese antropomórfica multifuncional para membros superiores para pacientes amputados. Seu objetivo é substituir a mão natural perdida, de forma a auxiliar a realização de algumas tarefas diárias do usuário. A prótese possuirá características antropomórficas, tais como aparência e movimentação semelhantes às da mão humana, e características naturais inerentes à mesma, por exemplo, o arco reflexo. Além disso, contará também com meios de realimentação táteis das informações de forças aplicadas pela prótese em objetos, bem como sua temperatura para o paciente, suprindo assim uma das carências das próteses convencionais. Esse dispositivo terá incorporado na sua construção sensores diversos para realizar as funções propostas e contará com um algoritmo baseado em redes neurais artificiais, capaz de identificar padrões dos sinais mioelétricos do paciente, que serão utilizados como sinais de controle, possibilitando ao paciente um comando natural. Todas essas implementações visam contribuir para a redução da taxa de rejeição de próteses para membros superiores e possibilitar uma maior reabilitação e reintegração do paciente à sociedade. / The purpose of this assignment is to develop a multifunctional and anthropomorphic upper limb prosthesis prototype for amputated patients. Its objective is to substitute the natural lost hand, in a way to improve the performance of regular activities. This prosthesis will have anthropomorphic characteristics, like appearance and movement, similar to the ones of the human hand, and natural characteristics inherent to it, for example the reflected arc. Another characteristic will be the tactile feedback ways of obtaining the information of the forces applied by the prosthesis in objects, as well as their temperature for the patient, overcoming therefore one of the traditional prosthesis\' deficiency. This device will have incorporated in its construction many sensors in order to do the proposed functions and it will use an algorithm based on the artificial neural network that is able to recognize patterns of myoelectric signals of the patient, which will be used as control signals, making possible to the patient a natural command. All of these implementations objective to contribute for the reduction of the rejection rate of prostheses for upper limb members and make possible a better rehabilitation and reintegration of the patient in the society.

A finalidade desse trabalho é desenvolver um protótipo de uma prótese antropomórfica multifuncional para membros superiores para pacientes amputados. Seu objetivo é substituir a mão natural perdida, de forma a auxiliar a realização de algumas tarefas diárias do usuário. A prótese possuirá características antropomórficas, tais como aparência e movimentação semelhantes às da mão humana, e características naturais inerentes à mesma, por exemplo, o arco reflexo. Além disso, contará também com meios de realimentação táteis das informações de forças aplicadas pela prótese em objetos, bem como sua temperatura para o paciente, suprindo assim uma das carências das próteses convencionais. Esse dispositivo terá incorporado na sua construção sensores diversos para realizar as funções propostas e contará com um algoritmo baseado em redes neurais artificiais, capaz de identificar padrões dos sinais mioelétricos do paciente, que serão utilizados como sinais de controle, possibilitando ao paciente um comando natural. Todas essas implementações visam contribuir para a redução da taxa de rejeição de próteses para membros superiores e possibilitar uma maior reabilitação e reintegração do paciente à sociedade. / The purpose of this assignment is to develop a multifunctional and anthropomorphic upper limb prosthesis prototype for amputated patients. Its objective is to substitute the natural lost hand, in a way to improve the performance of regular activities. This prosthesis will have anthropomorphic characteristics, like appearance and movement, similar to the ones of the human hand, and natural characteristics inherent to it, for example the reflected arc. Another characteristic will be the tactile feedback ways of obtaining the information of the forces applied by the prosthesis in objects, as well as their temperature for the patient, overcoming therefore one of the traditional prosthesis\' deficiency. This device will have incorporated in its construction many sensors in order to do the proposed functions and it will use an algorithm based on the artificial neural network that is able to recognize patterns of myoelectric signals of the patient, which will be used as control signals, making possible to the patient a natural command. All of these implementations objective to contribute for the reduction of the rejection rate of prostheses for upper limb members and make possible a better rehabilitation and reintegration of the patient in the society.