Trabalho de Conclusão de Curso

Documento

Autoria

Viana, Paulo Augusto Alves Luz

Unidade da USP

Data de Apresentação

Orientador

Cliquet Junior, Alberto

Banca

Varoto, Renato
Maria, Renata Manzano

Título em Português

Identificação de movimentos da mão por machine learning utilizando eletromiografia de superfície

Palavras-chave em Português

Eletromiografia
Aprendizado de máquina
Redes neurais
Regressão logística
k-Nearest neighbors
Reconhecimento de movimentos
Processamento de sinais
Sinais biomédicos

Resumo em Português

Neste trabalho exploraram-se técnicas de processamento de sinais de eletromiografia e de reconhecimento de movimentos utilizando aprendizado de máquina. Como o sinal sofre com muitos ruídos e suas características variam muito de indivíduo para indivíduo a utilização de um bom processamento de sinal e de um algoritmo de reconhecimento robusto é importante. O sinal de eletromiografia utilizado provém da base de dados Ninapro e passou por um procedimento de denoising e filtragem, e após isso realizaram-se mais de 100 experimentos utilizando os algoritmos k-Nearest Neighbors, Regressão Logística e um modelo baseado em Redes Neurais para classificação de diversos números de movimentos. Nestes experimentos também é mostrada a importância da divisão correta dos conjuntos de treino, validação e teste para que se tenha uma estimativa correta da performance real do modelo. A comparação de modelos que utilizam algoritmos de estado da arte, como as redes neurais profundas, com algoritmos não tão complexos trouxeram conclusões interessantes. A regressão logística por vezes ultrapassava a performance da rede neural, e em um caso o algoritmo k-NN teve a melhor performance entre os três. Neste sentido, para diferentes quantidades de movimentos um ou outro modelo poderia ser considerado mais adequado. Conseguiu-se uma acurácia balanceada de até 98.1% ao se classificar 2 movimentos e de até 24.6% na classificação de 49 movimentos, e também observou-se que as performances da rede neural profunda e da regressão logística foram semelhantes.

Título em Inglês

Hand movement recognition by machine learning using surface electromyography

Palavras-chave em Inglês

Electromyography
Machine learning
Neural networks
Logistic regression
k-Nearest neighbors
Movement recognition
Signals processing
Biomedic signals

Resumo em Inglês

This work explored electromyographic signal processing and gesture recognition techniques using machine learning. As the signal suffers from a lot of noise and its characteristics vary greatly from individual to individual, the use of good signal processing and a robust recognition algorithm is important. The electromyography signal used comes from the Ninapro database and has undergone a denoising and filtering procedure, after which more than 100 experiments were performed using k-Nearest Neighbors, Logistic Regression and Neural Networks based algorithms for classification of several numbers of movements. It is also shown the importance of correct splitting of training, validation and testing sets in order to have a correct estimate of the actual performance of the model. The comparison of models using state-of-the-art algorithms, such as deep neural networks, with not so complex algorithms brought interesting conclusions. The logistic regression sometimes outperformed the neural network performance, and in one case the k-nearest neighbors algorithm outperformed the other three. In this sense, for different sets of movements different algorithms could be considered more appropriate. A balanced accuracy of up to 98.1% was achieved by classifying 2 movements and up to 24.6% in the 49 movement classification, and it was also observed that the deep neural network and logistic regression performances were similar.

Arquivos

AVISO - A consulta a este documento fica condicionada na aceitação das seguintes condições de uso:
Este trabalho é somente para uso privado de atividades de pesquisa e ensino. Não é autorizada sua reprodução para quaisquer fins lucrativos. Esta reserva de direitos abrange todos os dados do documento bem como seu conteúdo. Na utilização ou citação de partes do documento é obrigatório mencionar nome(s) do(s) autor(es) do trabalho.

Viana_PauloAugusto_tcc.pdf (3.15 Mbytes)

 

Data de Publicação

2020-03-26

Número de visitas

257

Número de downloads

149