Redes neurais artificiais aplicadas à classificação de gestos da mão através de sinais eletromiográficos

Abstract

Este trabalho visa o reconhecimento e classificação dos gestos da mão a partir de sinais eletromiográficos (EMG) obtidos através de uma braçadeira Myo®, que possui oito eletrodos de classe médica. Cada eletrodo fornece uma informação referente à contração muscular realizada na execução do movimento. Esses sinais serão processados para a obtenção de uma “assinatura” padrão para possibilitar o treinamento da rede neural artificial (RNA). Essas assinaturas serão extraídas para cada tipo de movimento e, em seguida, um método de mapeamento adequado é aplicado para classificar os sinais EMG. É realizada uma comparação entre os algoritmos Resilent Backpropagation (Rprop) e Levenberg-Marquardt (LM) em todos os conjuntos de dados treinados. Foram escolhidos cinco movimentos para classificação e utilizados conjuntos de dados com até sete características. Dentre os 144 testes executados, o melhor resultado obtido foi de 88,2% com o Rprop e de 88,4% com o LM. Porém, de forma geral, o algoritmo Rprop apresentou melhor desempenho na maioria dos testes, quando comparado ao LM, sendo o tempo de treinamento a diferença mais significativa entre ambos. Espera-se com esse trabalho expandir as pesquisas na área de Tecnologia Assistiva (TA) para conquistar formas alternativas de inclusão social e melhorar a autonomia de pessoas com deficiência ou mobilidade reduzida dos membros superiores.

This project aims the recognition and classification of hand gestures using electromyographic signals (EMG) obtained through a Myo® armband, which has eight medical electrodes. Each electrode provides signal information regarding muscle contraction performed in the execution of the movement. These signals will be processed to obtain a standard "signature" to enable artificial neural network (ANN) training. These signatures will be extracted for each type of movement, and then a suitable mapping method is applied to classify the EMG signals. A comparison between the Resilent Backpropagation (Rprop) and Levenberg-Marquardt (LM) algorithms is performed on all trained datasets. Five motions were chosen for classification and data sets with up to seven characteristics were used. Among the 144 tests performed, the best result was 88.2% to Rprop and 88.4% to LM. However, in general, the Rprop algorithm presented better performance in most of the tests when compared to LM, the training time being the most significant difference between both. This work is expected to expand research in the area of Assistive Technology (AT) to achieve alternative forms of social inclusion and improve the autonomy of people with disabilities or reduced mobility of the upper limbs.