Please use this identifier to cite or link to this item: https://repositorio.ufu.br/handle/123456789/17691
Full metadata record
DC FieldValueLanguage
dc.creatorPeres, Luciano Brinck-
dc.date.accessioned2016-09-08T12:20:58Z-
dc.date.available2016-09-08T12:20:58Z-
dc.date.issued2016-08-16-
dc.identifier.citationPERES, 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.pt_BR
dc.identifier.urihttps://repositorio.ufu.br/handle/123456789/17691-
dc.description.abstractA 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.pt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal de Uberlândiapt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectEngenharia biomédicapt_BR
dc.subjectAprendizado do computadorpt_BR
dc.subjectHanseníasept_BR
dc.subjectEletromiografiapt_BR
dc.subjectAprendizado de máquinapt_BR
dc.subjectExtração de característicaspt_BR
dc.subjectSeleção de característicaspt_BR
dc.subjectMáquina de vetores de estadopt_BR
dc.subjectMachine learningpt_BR
dc.subjectHansen’s diseasept_BR
dc.subjectElectromyographypt_BR
dc.subjectFeature extractionpt_BR
dc.subjectFeature selectionpt_BR
dc.subjectSupport vector machinept_BR
dc.titleClassificação de atividade eletromiográfia facial de indivíduos saudáveis e com hanseníase por meio de máquina de vetores de suportept_BR
dc.typeDissertaçãopt_BR
dc.contributor.advisor1Andrade, Adriano de Oliveira-
dc.contributor.advisor1Latteshttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4702483U8pt_BR
dc.contributor.referee1Pereira, Adriano Alves-
dc.contributor.referee1Latteshttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4708323H0pt_BR
dc.contributor.referee2Goulart, Isabela Maria Bernardes-
dc.contributor.referee2Latteshttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4703621D8pt_BR
dc.contributor.referee3Amorim, César Ferreira-
dc.contributor.referee3Latteshttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4728930A3pt_BR
dc.creator.Latteshttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K8156352H8pt_BR
dc.description.degreenameDissertação (Mestrado)pt_BR
dc.description.resumoMuitos 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.pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.programPrograma de Pós-graduação em Engenharia Biomédicapt_BR
dc.sizeorduration66pt_BR
dc.subject.cnpqCNPQ::ENGENHARIAS::ENGENHARIA BIOMEDICApt_BR
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.