Please use this identifier to cite or link to this item: https://repositorio.ufu.br/handle/123456789/17691
Document type: Dissertação
Access type: Acesso Aberto
Title: Classificação de atividade eletromiográfia facial de indivíduos saudáveis e com hanseníase por meio de máquina de vetores de suporte
Author: Peres, Luciano Brinck
First Advisor: Andrade, Adriano de Oliveira
First member of the Committee: Pereira, Adriano Alves
Second member of the Committee: Goulart, Isabela Maria Bernardes
Third member of the Committee: Amorim, César Ferreira
Summary: Muitos estudos na área de engenharia biomédica e de ciências da saúde têm buscado a área de aprendizado de máquina para desenvolver métodos que sejam capazes de identificar padrões em diferentes conjuntos de dados. Apesar de extinta em muitos países do primeiro mundo, a hanseníase ainda é uma doença que atinge uma grande parte da população de países como Índia e Brasil. Nesse contexto, essa pesquisa visa a criação de um método que possibilite futuramente entender como a hanseníase afeta os músculos da face. Utilizando a eletromiografia de superfície, um sistema foi adaptado para que se pudesse captar os sinais do maior número possível dos músculos da face desses indivíduos. Buscou-se primeiro na literatura a forma como pesquisadores ao redor do mundo estão trabalhando com doenças que afetam o sistema nervosa periférico e como a eletromiografia tem atuado para contribuir no entendimento dessas doenças. A partir dessas informações, um protocolo foi proposto para se coletar sinais eletromiográficos (sEMG) da face de forma que estes sinais apresentassem uma alta relação sinal/ruído. Depois de coletar os sinais, os pesquisadores buscaram um método que possibilitasse a visualização dessa informação de forma que fosse possível garantir que o método utilizado apresentava resultados satisfatórios. Após identificar que o método foi eficaz, os pesquisadores buscaram entender quais as informações podem ser extraídas do sinal de eletromiografia que representem os dados coletados. Como não se encontrou na literatura estudos que demonstrem quais informações podem contribuir para melhor entendimento dessa patologia, foram extraídos do sinal parâmetros de amplitude, frequência e entropia, e um algoritmo de seleção de características foi utilizado para que se buscasse as características que melhor distinguem um indivíduo saudável do patológico. Em seguida buscou-se identificar o classificador que melhor discriminou indivíduos saudáveis daqueles com hanseníase. Foi identificado que o protocolo proposto neste estudo e a adaptação feita nos eletrodos descartáveis presentes no mercado se mostraram eficientes e que podem ser utilizadas em diferentes estudos quando se deseja coletar dados da eletromiografia da face. O algoritmo de seleção de características também mostrou que nem todas as características extraídas do sinal são significantes para a classificação dos dados, sendo algumas mais relevantes do que outras. O classificador Support Vector Machine (SVM) – Máquina de Vetores de Suporte - se mostrou eficiente quando utilizada a função Kernel adequada para o músculo em que se deseja extrair as informações. Cada músculo estudado neste artigo apresentou resultados diferentes quando o classificador utilizou funções Kernel linear, radial e polinomial. Embora tenha focado em hanseníase, o método utilizado aqui pode ser aplicado para estudar eletromiografia da face em inúmeras outras patologias.
Abstract: A number of studies in the areas of Biomedical Engineering and Health Sciences have employed machine learning tools to develop methods capable of identifying patterns in different sets of data. Despite its extinction in many countries of the developed world, Hansen’s disease is still a disease that affects a huge part of the population in countries such as India and Brazil. In this context, this research proposes to develop a method that makes it possible to understand in the future how Hansen’s disease affects facial muscles. By using surface electromyography, a system was adapted so as to capture the signals from the largest possible number of facial muscles. We have first looked upon the literature to learn about the way researchers around the globe have been working with diseases that affect the peripheral neural system and how electromyography has acted to contribute to the understanding of these diseases. From these data, a protocol was proposed to collect facial surface electromyographic (sEMG) signals so that these signals presented a high signal to noise ratio. After collecting the signals, we looked for a method that would enable the visualization of this information in a way to make it possible to guarantee that the method used presented satisfactory results. After identifying the method's efficiency, we tried to understand which information could be extracted from the electromyographic signal representing the collected data. Once studies demonstrating which information could contribute to a better understanding of this pathology were not to be found in literature, parameters of amplitude, frequency and entropy were extracted from the signal and a feature selection was made in order to look for the features that better distinguish a healthy individual from a pathological one. After, we tried to identify the classifier that best discriminates distinct individuals from different groups, and also the set of parameters of this classifier that would bring the best outcome. It was identified that the protocol proposed in this study and the adaptation with disposable electrodes available in market proved their effectiveness and capability of being used in different studies whose intention is to collect data from facial electromyography. The feature selection algorithm also showed that not all of the features extracted from the signal are significant for data classification, with some more relevant than others. The classifier Support Vector Machine (SVM) proved itself efficient when the adequate Kernel function was used with the muscle from which information was to be extracted. Each investigated muscle presented different results when the classifier used linear, radial and polynomial kernel functions. Even though we have focused on Hansen’s disease, the method applied here can be used to study facial electromyography in other pathologies.
Keywords: Engenharia biomédica
Aprendizado do computador
Hanseníase
Eletromiografia
Aprendizado de máquina
Extração de características
Seleção de características
Máquina de vetores de estado
Machine learning
Hansen’s disease
Electromyography
Feature extraction
Feature selection
Support vector machine
Area (s) of CNPq: CNPQ::ENGENHARIAS::ENGENHARIA BIOMEDICA
Language: por
Country: Brasil
Publisher: Universidade Federal de Uberlândia
Program: Programa de Pós-graduação em Engenharia Biomédica
Quote: PERES, Luciano Brinck. Classificação de atividade eletromiográfia facial de indivíduos saudáveis e com hanseníase por meio de máquina de vetores de suporte. 2016. 66 f. Dissertação (Mestrado em Ciências) - Universidade Federal de Uberlândia, Uberlândia, 2016. DOI http://doi.org/10.14393/ufu.di.2016.459
Document identifier: http://doi.org/10.14393/ufu.di.2016.459
URI: https://repositorio.ufu.br/handle/123456789/17691
Date of defense: 16-Aug-2016
Appears in Collections:DISSERTAÇÃO - Engenharia Biomédica

Files in This Item:
File Description SizeFormat 
ClassificaçãoAtividadeEletromiográfia.pdfDissertação2.88 MBAdobe PDFThumbnail
View/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.