Publicação: Análise comparativa de modelos de aprendizado de máquina para a classificação de movimentos finos de mão com sinais de eletromiografia de superfície
Carregando...
Arquivos
Tipo do documento
Data
Direito de acesso
Coleções
Programa
Área do conhecimento
CNPQ::ENGENHARIAS::ENGENHARIA BIOMEDICA::BIOENGENHARIA::PROCESSAMENTO DE SINAIS BIOLOGICOS
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Resumo
O controle intuitivo de próteses de mão multifuncionais representa um desafio
significativo na engenharia de reabilitação, especialmente na classificação de
movimentos finos a partir de sinais de sEMG. Este trabalho apresenta uma análise
comparativa sistemática de três paradigmas de aprendizado de máquina: LDA, SVM
e CNN. Para isso, sinais de sEMG de três canais foram adquiridos de cinco
voluntários saudáveis durante a execução de sete movimentos finos da mão. Dos
modelos clássicos, LDA e SVM, foi extraído um conjunto de características no
domínio do tempo, enquanto a CNN foi treinada de forma ponta a ponta com o sinal
sEMG bruto. Os modelos foram avaliados e comparados em termos de acurácia de
classificação, robustez inter-sujeito, impacto do número de classes para
classificação e custo-benefício computacional. Os resultados demonstraram uma
clara hierarquia de desempenho, com a CNN alcançando a maior acurácia média de
validação com 96,46%, seguida pelo SVM em 88,58% e pelo LDA 75,12%. A CNN
também se mostrou o modelo mais robusto, com a menor variabilidade de
desempenho entre os participantes. A análise de custo-benefício quantificou o
trade-off fundamental, onde a superioridade da CNN em performance contrasta com
seu alto custo de treinamento em comparação com a eficiência dos modelos
clássicos. Conclui-se que a CNN representa o paradigma de melhor desempenho
para classificação de movimentos finos de dígitos, e este estudo fornece uma base
de evidências quantitativa para guiar a seleção de algoritmos no desenvolvimento de
futuras interfaces mioelétricas.
Abstract
The intuitive control of multifunctional hand prostheses represents a significant
challenge in rehabilitation engineering, especially in the classification of fine hand
movements from surface electromyography (sEMG) signals. This work presents a
systematic comparative analysis of three machine learning paradigms: Linear
Discriminant Analysis (LDA), Support Vector Machine (SVM), and Convolutional
Neural Network (CNN). For this purpose, three-channel sEMG signals were acquired
from five healthy volunteers during the execution of seven fine hand movements. For
the classical models (LDA and SVM), a set of time-domain features was extracted,
whereas the CNN was trained end-to-end with the raw sEMG signal. The models
were evaluated and compared in terms of classification accuracy, inter-subject
robustness, the impact of the number of classes, and computational cost-benefit. The
results demonstrated a clear performance hierarchy, with the CNN achieving the
highest mean validation accuracy of 96.46%, followed by the SVM at 88.58% and the
LDA at 75.12%. The CNN also proved to be the most robust model, showing the
lowest performance variability among participants. The cost-benefit analysis
quantified the fundamental trade-off, where the CNN's superior performance
contrasts with its high training cost compared to the efficiency of classical models. It
is concluded that the CNN represents the best-performing paradigm for the
classification of fine finger movements, and this study provides a quantitative
evidence base to guide the selection of algorithms in the development of future
myoelectric interfaces.
Palavras-chave
eletromiografia de superfície, classificação de movimentos, aprendizado de máquina, redes neurais convolucionais, próteses mioelétricas, Surface electromyography, movement classification, machine learning, convolutional neural networks, myoelectric prostheses
Citação
SILVA, João Vitor. Análise comparativa de modelos de aprendizado de máquina para a classificação de movimentos finos de mão com sinais de eletromiografia de superfície. 2025. f. Trabalho de Conclusão de Curso (Graduação em Engenharia Biomédica) – Universidade Federal de Uberlândia, Uberlândia, 2025.