Análise de técnicas de classificação de sinais de eletromiografia para controle de prótese de membro superior

Abstract

A classificação de sinais eletromiográficos é uma tarefa importante para o controle de próteses ativas de membros superiores. Este trabalho propõe analisar e avaliar técnicas e ferramentas para classificação de sinais eletromiográficos (EMG) de superfície, produzindo modelos preditivos viáveis para o controle de próteses de membros superiores. Os sinais eletromiográficos foram obtidos a partir de uma base de dados pública. Algoritmos de aprendizagem de máquina, transformadas discretas wavelets e sete características do sinal EMG foram usadas para classificar os sinais. Foram criadas amostras aleatórias para as tarefas de treinamento e teste em subconjuntos com 80% e 20% dos dados, respectivamente. Os algoritmos de aprendizado de máquina foram treinados com diferentes configurações, permitindo avaliação entre os classificadores e os parâmetros utilizados em cada modelo. Após a realização dos testes, observa-se que o processamento dos sinais e a extração de características são processos importantes para a obtenção de resultados acurados em sinais eletromiográficos. O melhor resultado produziu uma acurácia média de 97,22% com um classificador Random Forest e três características extraídas a partir de uma transformada discreta wavelet nos dois canais do sinal EMG.

The classification of surface electromyographic signals is an important task for the control of active upper-limb prostheses. This study aims to analyze and evaluate techniques and tools to classify surface electromyographic signals (EMG), creating viable models for the control of upper limb prostheses. The electromyographic signals were obtained from a public database. Machine learning algorithms, discrete wavelets transforms and seven features of the EMG signal were used to classify the signals. Random samples were created for the training and testing tasks in subsets with 80% and 20% of the data, respectively. Machine learning algorithms for classifying electromyographic signals were trained with different configurations, allowing evaluation between combinations of techniques and parameters. It was observed that signal processing and feature extraction are important processes for obtaining accurate results. The best result produced an average accuracy of 97,22% with a Random Forest classifier and three features extracted from discrete wavelet transform from surface electromyography signals of two channels.