Please use this identifier to cite or link to this item: https://repositorio.ufu.br/handle/123456789/22274
Full metadata record
DC FieldValueLanguage
dc.creatorGouveia, Eber Lawrence Souza-
dc.date.accessioned2018-08-14T13:56:20Z-
dc.date.available2018-08-14T13:56:20Z-
dc.date.issued2018-07-13-
dc.identifier.citationGOUVEIA, E. L. S. Aplicação de máquinas de vetores de suporte para geração de sinais de controle robustos para próteses mioelétricas. 2018. 54 f. Trabalho de Conclusão de Curso (Graduação em Engenharia Biomédica) Universidade Federal de Uberlândia. Uberlândia, 2018.pt_BR
dc.identifier.urihttps://repositorio.ufu.br/handle/123456789/22274-
dc.description.abstractThe upper limbs have great importance while performing daily activities. In addition, they aid in communication through movements and gestures. This way loss of the upper limbs directly affects these abilities and can cause the individual to lose his independence, socialization capacity, self-esteem, etc. Numerous researches have been developed with the purpose of solving these problems, most of them focused on prosthesis design. Prosthetic control techniques that use EMG signals are on the rise, mainly from pattern recognition with the use of Machine Learning algorithms, capable of providing various degrees of freedom with high accuracy. However, there are several problems that still limits this form of control in clinical applications, so achieving a generic model has become fundamental because performing the control of prosthesis through EMG signals requires some physical and mental effort by the user. The electrodes used for EMG signal capture are usually positioned in the prosthesis socket and thereby can undergo a constant change of position by modifying the extracted features of the EMG signal. This causes an unstable system performance. Thus, this work aims to develop a classification system capable of generating a more robust and generic model, maintaining a good performance even if the position of the electrodes has been changed. The Support Vector Machines technique was chosen since several works in the literature have proved their effectiveness in relation to other techniques. Moreover, the Principal Component Analysis technique was used in order to significantly reduce the data dimensionality, maintaining a good performance. The validation of the results was done through the cross-validation technique using the k-Fold method. The construction of more generic models allowed a great performance, with the volunteers' average accuracy of 91%. In addition, the use of the Principal Component Analysis technique allowed the reduction of data dimensionality from 24 features to a maximum of 8 main components, maintaining 95% of the data variability.pt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal de Uberlândiapt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectMáquinas de Vetores de Suportept_BR
dc.subjectSupport Vector Machinept_BR
dc.subjectAnálise de Componentes Principaispt_BR
dc.subjectPrincipal Component Analysispt_BR
dc.subjectEletromiografiapt_BR
dc.subjectElectromyographypt_BR
dc.subjectAprendizado de Máquinapt_BR
dc.subjectMachine Learningpt_BR
dc.subjectExtração de Atributospt_BR
dc.subjectFeature Extractionpt_BR
dc.titleAplicação de máquinas de vetores de suporte para geração de sinais de controle robustos para próteses mioelétricaspt_BR
dc.title.alternativeApplication of support vector machine to generate robust control signals for myoelectric prosthesespt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
dc.contributor.advisor1Soares, Alcimar Barbosa-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/9801031941805250pt_BR
dc.contributor.referee1Thomaz, Ricardo de Lima-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/3016585965373229pt_BR
dc.contributor.referee2Jesus, Sérgio Ricardo de-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/1434903162665776pt_BR
dc.creator.Latteshttp://lattes.cnpq.br/4798598400108489pt_BR
dc.description.degreenameTrabalho de Conclusão de Curso (Graduação)pt_BR
dc.description.resumoOs membros superiores têm grande importância para a realização de atividades cotidianas. Além disso, eles auxiliam na comunicação através de movimentos e gestos. Desta forma, a perda dos membros superiores afeta diretamente essas habilidades, podendo fazer com que o indivíduo perca sua independência, capacidade de socialização, autoestima, etc. Inúmeras pesquisas vêm sendo desenvolvidas com o intuito de resolver problemas como esses, a maioria delas voltadas para área de elaboração de próteses. Técnicas de controle de próteses que utilizam sinais EMG são as que estão em maior ascensão, principalmente a partir de reconhecimento de padrões com o uso de algoritmos de Aprendizado de Máquina, capazes de proporcionar vários graus de liberdade com alta acurácia. Porém, existem diversos problemas que ainda tornam essa forma de controle pouco utilizada em aplicações clínicas, logo, conseguir um modelo genérico se tornou algo fundamental, pois realizar o controle de próteses através de sinais EMG demanda certo esforço físico e mental por parte do usuário. Os eletrodos utilizados para captação do sinal EMG estão geralmente posicionados no socket da prótese e, com isso, podem sofrer constantes mudanças de posição, alterando os atributos extraídos do sinal EMG. Isso faz com que o desempenho do sistema se torne instável. Dessa forma, este trabalho tem como objetivo elaborar um sistema de classificação capaz de gerar um modelo mais robusto e genérico, mantendo um bom desempenho mesmo se a posição dos eletrodos for alterada. A técnica de Máquinas de Vetores de Suporte foi escolhida, uma vez que diversos trabalhos na literatura comprovaram sua eficácia em relação a outras técnicas. Além disso, a técnica de Análises de Componentes Principais foi utilizada com o intuito de reduzir de forma significativa a dimensionalidade dos dados, mantendo um bom desempenho. A validação dos resultados foi feita através da técnica de validação cruzada usando o método de k-Fold. A construção de modelos mais genéricos possibilitou um ótimo desempenho, com acurácia média dos voluntários de 91%. Além disso, o uso da técnica de Análises de Componentes Principais possibilitou a redução de dimensionalidade dos dados de 24 atributos para no máximo 8 componentes principais, mantendo 95% da variabilidade dos dados.pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.courseEngenharia Biomédicapt_BR
dc.sizeorduration54pt_BR
dc.subject.cnpqCNPQ::ENGENHARIAS::ENGENHARIA BIOMEDICA::BIOENGENHARIA::MODELAGEM DE FENOMENOS BIOLOGICOSpt_BR
dc.subject.cnpqCNPQ::ENGENHARIAS::ENGENHARIA BIOMEDICA::BIOENGENHARIA::PROCESSAMENTO DE SINAIS BIOLOGICOSpt_BR
dc.orcid.putcode111033624-
Appears in Collections:TCC - Engenharia Biomédica

Files in This Item:
File Description SizeFormat 
AplicaçãoMáquinasVetores.pdf2.8 MBAdobe PDFThumbnail
View/Open


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