Divulgação - Defesa Nº 174

Aluno: Rafaela Covello de Freitas
Título: “Imagens Pesudo-Reconstruídas e Máquina de Aprendizado Extremo Gauss-Seidel Aplicadas a Padrões de Sinais Eltromiográficas”.

Orientador: Prof. Wellington Pinheiro dos Santos
Co-Orientador: Prof. Byron Leite Dantas Bezerra
Data-hora: 31/julho/2018 (14:00h)
Local: Escola Politécnica de Pernambuco – SALA I-5


Resumo:

O reconhecimento de padrões em sinais eletromiográficos (EMG) para classificação de gestos surgiu há aproximadamente 35 anos, e tem sido direcionado principalmente a sujeitos com amputações, com o objetivo de identificar as intenções de movimento para o membro faltante. O eletromiograma consiste de método experimental para gravar e avaliar uma série de sinais elétricos resultantes da condução de potenciais de ação nas fibras musculares, cujas características variam de acordo com a fisiologia, bioquímica, frequência e intensidade do estímulo. A partir das mudanças e localização que ocorrem neste sinal, é possível identificar a intenção de movimentos e como os músculos estão sendo coordenados para tal. Considerando isto, é comum aplicarem-se a estes sinais técnicas de processamento e extração de atributos para posterior classificação utilizando algoritmos de reconhecimento de padrões. Usualmente, a extração de atributos se limita à aplicação de funções que realizam mapeamentos no domínio temporal ou no domínio da frequência, com estudos escassos em outros domínios, tal como o espacial. Na perspectiva de reconhecimento de padrões, algoritmos como Máquinas de Aprendizado Extremo (ELM) têm sido utilizadas por possuírem alta velocidade de treinamento e fácil ajuste de parâmetros. Neste trabalho, apresentamos a criação de dois novos métodos, relacionados a extração e posterior classificação de atributos de sinais eletromiográficos, que denominamos Imagens Pseudo-Reconstruídas (Pseudo-Reconstructed Images – PRIMA) e a Máquina de Aprendizado Extremo Gauss-Seidel (Gauss-Seidel Extreme Learning Machine – GSELM), respectivamente. Em nossa primeira contribuição, visamos a expansão do espaço de representação do sinal mioelétrico para outra dimensão utilizando o conceito de retroprojeção a partir da decomposição dos sinais de EMG em wavelets e sua posterior projeção no plano bidimensional, utilizando a transformada de Radon. Da imagem resultante, utilizamos o método de Haralick para extração de atributos, aplicado para a representação das características de textura em imagens. Em um segundo momento, considerando a movimentação de próteses a partir destes sinais e o consequente uso de sistemas microcontrolados e suas limitações, como baixo poder de armazenamento e processamento, buscamos aprimorar a ELM para este ambiente. Para isto, criamos uma versão com treinamento iterativo, utilizando o método numérico de Gauss-Seidel, comumente utilizado para a interpolação de funções."

Go to top Menú