Return to search

Extração de características e classificação de sinais sEMG aplicados a uma prótese de mão virtual

Made available in DSpace on 2016-12-23T14:07:22Z (GMT). No. of bitstreams: 1
Richard Tello - Parte 1.pdf: 429535 bytes, checksum: 36512379063c3b1ee1fcf279b169c4c5 (MD5)
Previous issue date: 2013-02-21 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / This work proposes the classification of motor tasks, using surface electromyography (sEMG) to control a prosthetic hand for rehabilitation of amputees. Two types of classifiers are compared: k-Nearest Neighbor (k-NN) and Bayesian (Discriminant Analysis). Motor tasks are divided into four groups correlated. The volunteers were healthy people (without amputation) and several analyzes of each of the signals were conducted. For offline analysis, the features used were: RMS (Root Mean Squared), VAR (Variance) and WL (Waveform Length). For online experimentation, it involved the use of feature of Discriminant of Bi-spectral. In both cases, either online or offline techniques were used to sliding windows. A model is proposed for reclassification using cross-validation in order to validate the classification, and a visualization in Sammon Maps is provided in order to observe the separation of the classes for each set of motor tasks. The proposed method can be implemented in a computer interface providing a visual feedback through an artificial hand prosthetic developed in Visual C++ and MATLAB commands / Este trabalho apresenta a classificação de tarefas motoras, através da eletromiografia de superfície (sEMG), para controlar uma mão prostética para reabilitação de amputados. Dois tipos de classificadores são comparados: k-vizinhos mais próximos (k-NN) e Bayesiano (Análise Discriminante). As tarefas motoras são divididas em quatro grupos correlacionados. Os voluntários desta pesquisa foram pessoas saudáveis (sem amputação), e várias análises de cada um dos sinais foram realizadas. Para o analise off-line, as características utilizadas foram: RMS (Raiz Média Quadrática), VAR (Variância) e WL (Comprimento de forma de onda). Para a experimentação on-line implicou o uso da característica de Discriminante Bi-espectral. Em ambos casos, tanto online ou offline, foram usadas técnicas de janelas deslizantes. Foi proposto um modelo para a reclassificação usando validação cruzada, a fim de validar a classificação, sendo gerada uma visualização dos dados em mapas de Sammon, a fim de observar a separação das classes para cada conjunto de tarefas motoras. Os métodos propostos foram implementados em uma interface de computador, fornecendo realimentação visual através de uma prótese de mão artificial desenvolvida em Visual C++ e utilizando comandos MATLAB

Identiferoai:union.ndltd.org:IBICT/oai:dspace2.ufes.br:10/6198
Date21 February 2013
CreatorsTello, Richard Junior Manuel Godinez
ContributorsBastos Filho, Teodiano Freire, Côco, Klaus Fabian, Arjunan, Sridhar Poosapadi, Frizera Neto, Anselmo, Kumar, Dinesh Kant
PublisherUniversidade Federal do Espírito Santo, Programa de Pós-Graduação em Engenharia Elétrica, UFES, BR, Robótica; Automação Inteligente; Inteligência Artificial; Processamento de Sinais; Eletrônica de Pot
Source SetsIBICT Brazilian ETDs
LanguagePortuguese
Detected LanguagePortuguese
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis
Formattext
Sourcereponame:Repositório Institucional da UFES, instname:Universidade Federal do Espírito Santo, instacron:UFES
Rightsinfo:eu-repo/semantics/openAccess

Page generated in 0.0017 seconds