Estude fácil! Tem muito documento disponível na Docsity
Ganhe pontos ajudando outros esrudantes ou compre um plano Premium
Prepare-se para as provas
Estude fácil! Tem muito documento disponível na Docsity
Prepare-se para as provas com trabalhos de outros alunos como você, aqui na Docsity
Os melhores documentos à venda: Trabalhos de alunos formados
Prepare-se com as videoaulas e exercícios resolvidos criados a partir da grade da sua Universidade
Responda perguntas de provas passadas e avalie sua preparação.
Ganhe pontos para baixar
Ganhe pontos ajudando outros esrudantes ou compre um plano Premium
Comunidade
Peça ajuda à comunidade e tire suas dúvidas relacionadas ao estudo
Descubra as melhores universidades em seu país de acordo com os usuários da Docsity
Guias grátis
Baixe gratuitamente nossos guias de estudo, métodos para diminuir a ansiedade, dicas de TCC preparadas pelos professores da Docsity
A classificação de movimentos da mão utilizando redes neurais artificiais, especificamente a rede feed-forward backpropagation com diferentes funções de ativação. Foram utilizados dois bancos de dados, um com indivíduos normais e outro com indivíduos com amputação transradial. Os sinais mioelétricos são provenientes de uma aquisição não invasiva utilizando eletrodos localizados na região do antebraço. Os movimentos classificados foram preensão, flexão do punho, extensão do punho e torção, obtendo uma eficiência de 95% na classificação.
O que você vai aprender
Tipologia: Notas de aula
1 / 96
Esta página não é visível na pré-visualização
Não perca as partes importantes!
Gizele Ginklings Fróes da Cruz
Trabalho de Conclusão de Curso submetido ao curso de Engenharia Eletrônica da Universidade Federal de Santa Catarina para a obtenção do Grau de Bacharel em Enge- nharia Eletrônica. Orientador: Prof. Jefferson Luiz Brum Marques, PhD.
Florianópolis 2017
À minha mãe, por me mostrar que sempre existe um caminho.
À minha irmã, por ser minha melhor amiga.
Agradeço a minha família, meus pais e irmãos, principalmente a minha mãe, pelo apoio incondicional nessa minha trajetória. À minha irmã Juliana, que além de irmã, é amiga e cúmplice de todas as horas. As minhas tias que eu tanto adoro e ao meu primo Gustavo, que quando eu ainda estava decidindo o que fazer da minha vida, foi quem me deu a ideia de fazer o curso de eletrônica. Ao Jonas pelos docinhos.
Ao meu namorado Giovanni, que torna o meu dia-a-dia muito mais divertido, parceiro de momento bons e descontraídos, e das horas de estudos que foram necessárias ao longo do curso.
Aproveitando para voltar um pouquinho no tempo, para a época que estava estudando para o vestibular, e agradecer a todas as meninas da Livraria Mar e Letras, que me deram muito apoio para o início da minha jornada na graduação, destacando a Paula, por quem tenho muito admiração.
Aos meus amigos da faculdade Isa, Neckel, Jorge, Vini, Erich, Giovanni, Matheus, Raul, Gui, Brida, obrigado por todos esses anos de amizade, estudo e carinho. Em especial a Isa, por nossas longas conversas e o Erich pelo carinho e paciência em me ajudar sempre que precisei.
Aos funcionários e sócios da empresa Medical Harbour e Customize, pela amizade, ensinamento e confiança no meu trabalho. Principalmente ao meu chefe Enrico, me ensinando a ser mais criativa e a Maiara, tornando minhas horas de almoço descontraídas.
Ao meu orientador Jefferson, por toda a dedicação para me ajudar a realizar esse trabalho e apoio para que eu ingressasse na área de engenharia biomédica. Aos membros da minha banca, Suzuki e Mateus, e todos os professores da graduação, que me ajudaram a construir minha formação.
À Universidade Federal de Santa Catarina, pela estrutura, possibilitando o acesso à um excelente curso, e a todos os funcionários que fazem com que a UFSC funcione.
À todos que contribuíram para a minha formação e vida profissional.
A mão humana é o órgão responsável pela maior parte das atividades do cotidiano, a sua perda pode ser suprida através de técnicas de protetização, visando restaurar, além da estética, a funcionalidade do membro perdido. O objetivo desse trabalho é realizar um estudo voltado para o controle de próteses do membro superior, dessa forma, classificou-se quatro movimentos da mão, provenientes de uma aquisição não invasiva dos sinais mioelétricos dos músculos do antebraço: abrir e fechar de mãos, preensão palmar, referente a ação de segurar um copo, preensão dígito-polegar, referente a ação de segurar um alfinete e o estado de repouso, quando o indivíduo não está executando nenhum movimento. Utilizou-se dois bancos de dados, um de indivíduos normais e outro de indivíduos com amputação transradial do membro superior, para ambos os casos, o banco de dados foi composto de onze indivíduos homens, com cada movimento repetido cinco vezes por cada indivíduo. A classificação dos movimentos foi feita através de redes neurais artificiais, utilizando a toolbox nntool do Matlab, os dados passaram por um processamento, foram utilizado os seguintes filtros: DC, notch de 60 Hz para remover a interferência da rede, média móvel e passa-baixa de 500 Hz, após as filtragens, diminuiu-se a quantidade de amostras, mudando o sinal de uma frequência de amostragem de 2 KHz para 500 Hz. Os melhores resultados para o banco de dados dos indivíduos normais para o estado de repouso foi com a rede neural NARX com função de ativação linear, com os valores de desempenho de seletividade positiva de 98,04%, seletividade negativa de 55,55%, sensibilidade de 90,90%, especificidade de 86,21% e eficiência de 90,36%. Para o movimento de abrir a mão, foi com a rede neural feed-forward backpropagation com função de ativação tangente hiberbólia sigmoide, com os valores de desempenho de seletividade positiva de 51,72%, seletividade negativa de 68,35%, sensibilidade de 54,54%, especificidade de 65,85% e eficiência de 61,32%. Para o movimento de fechar a mão foi com a rede neural cascade-forward backpropagation com função de ativação função de ativação tangente hiberbólia sigmoide, com os valores de desempenho de seletividade positiva de 63,64%, seletividade negativa de 80,88%, sensibilidade de 76,36%, especificidade de 69,62% e eficiência de 72,39%. Para o movimento de preensão palmar foi com a rede neural NARX com função de ativação função de ativação sigmoide logarítmica, com os valores de desempenho de seletividade positiva de 85,94%, seletividade negativa de 70,77%, sensibilidade de 83,64%, especificidade de 74,32% e eficiência de 78,30%. Para o movimento de preensão dígito-polegar foi com a rede neural NARX com função de ativação linear, com os valores de desempenho de seletividade positiva de 98,21%, seletividade negativa de 100,00%, sensibilidade de 100,00%, especificidade de 66,67% e eficiência de 98,28%. Apesar de a rede NARX com função de ativação linear trazer bons resultados para os casos de repouso e movimento de pinça, para os demais movimentos essa foi a rede com pior desempenho. Os valores de desempenho para banco de dados dos indivíduos amputados foram inferiores quando comparados com o desempenho dos indivíduos normais. Os melhores resultados para o banco de dados dos indivíduos amputados para o estado de repouso foi com a rede neural feed-forward backpropagation com função de ativação tangente hiberbólia sigmoide, com os valores de desempenho de seletividade positiva de 54,30%, seletividade negativa de 63,87%, sensibilidade de 54,80%, especificidade de 59,60% e eficiência de 63,41%. Para o movimento de abrir a mão, foi com a rede neural feed-forward backpropagation com função de ativação tangente hiberbólia sigmoide, com os valores de desempenho de seletividade positiva de 30,77%, seletividade negativa de 66,67%, sensibilidade de 50,90%, especificidade de 47,67% e eficiência de 46,15%. Para o movimento de fechar a mão também foi com a rede neural feed-forward backpropagation com função de ativação tangente hiberbólia sigmoide, com os valores de desempenho de seletividade positiva de 63,33%, seletividade negativa de 76,39%, sensibilidade de 69,09%, especificidade de 70,45% e eficiência de 71,43%. Para o movimento de preensão palmar foi com a rede neural feed-forward backpropagation com função de ativação função de ativação tangente hiberbólia sigmoide, com os valores de desempenho de seletividade positiva de 16,18%, seletividade negativa de 62,50%, sensibilidade de 40,00%, especificidade de 32,54% e eficiência de 34,30%. Para o movimento de preensão dígito-polegar foi com a rede neural cascade-forward backpropagation com função de ativação tangente hiberbólia sigmoide, com os valores de desempenho de seletividade positiva de 20,510%, seletividade negativa de 61,25%, sensibilidade de 43,64%, especificidade de 34,50% e eficiência de 37,06%. A rede que no conjunto dos movimentos
The human hand is the organ responsible for the majority of day-to-day life activities, and the consequences of its loss can be reduced by using prosthetization techniques that aim to restore aesthetics and functionality of a lost limb. The goal of this thesis is to study ways of controlling upper limb prosthesis. Four hand movements were studied and classified, for which it’s signals were collected through non-invasive sensors to read myoelectric signal from the patient’s forearm: opening and closing of hand, palmar pressure (equivalent to holding a cup), pincer pressure (equivalent to holding a pin) and finally when the hand is at rest. Two sets of data were used, one from individuals that still have a hand and another one with individuals that lost their hand but still had most of its forearm. On both sets, the study was conducted using eleven men, with each movement repeated fives times per individual. The classification of the movements was made through artificial neural networks, using the nntool Matlab toolbox. All the signals were preprocessed using the following filters: DC removal, 60Hz notch filter, moving average and a 500Hz low-pass filter, after filtering, the signal was decimated to a sampling frequency of 500Hz. The best achieved results for the normal patients were the detection of state of resting hand using the NARX network with linear activation function, that yielded a positive selectivity of 98,04%, negative selectivity of 55,55%, sensibility of 90,90%, specificity of 86,21% and efficiency of 90,36%. To the hand opening movement, the best network was the feed-forward backpropagation network with the hyperbolic tangent sigmoid activation function, that yielded a positive selectivity of 51,72%, negative selectivity of 68,35%, sensibility of 54,54%, specificity of 65,85% and efficiency of 61,32%. For the hand closing movement, the best network was the cascade-forward backpropagation network with the hyperbolic tangent sigmoid activation function, that yielded a positive selectivity of 63,64%, negative selectivity of 80,88%, sensibility of 76,36%, specificity of 69,62% and efficiency of 72,39%. For the hand pressure movement, the best network was the NARX network with the logarithmic tangent sigmoid activation function, that yielded a positive selectivity of 85,94%, negative selectivity of 70,77%, sensibility of 83,64%, specificity of 74,32% and efficiency of 78,30%. To the pincer movement, the best network was the NARX network with the linear activation function, that yielded a positive selectivity of 98,21%, negative selectivity of 100,00%, sensibility of 100,00%, specificity of 66,67% and efficiency of 98,28%. Although the NARX network with linear activation function provided good results for the cases of rest and pincer movement, for the other movements this was the worst performing network. The performance values for the amputated individuals’ database where lower when compared with the performance of normal individuals. The best results for the amputated individual’s database was with the feed-forward backpropagation network with hyperbolic tangent sigmoid activation function, that yielded a positive selectivity of 54,30%, negative selectivity of 63,87%, sensibility of 54,80%, specificity of 59,60% and efficiency of 63,41%. To the hand opening movement, the best network was the feed-forward backpropagation network with the hyperbolic tangent sigmoid activation function, that yielded a positive selectivity of 30,77%, negative selectivity of 66,67%, sensibility of 50,90%, specificity of 47,67% and efficiency of 46,15%. The hand closing movement also had the best network as the cascade-forward backpropagation network with the hyperbolic tangent sigmoid activation function, that yielded a positive selectivity of 63,33%, negative selectivity of 76,39%, sensibility of 69,09%, specificity of 70,45% and efficiency of 71,43%. For the hand pressure movement, the best network was the feed-forward backpropagation network with the logarithmic tangent sigmoid activation function, that yielded a positive selectivity of 16,18%, negative selectivity of 62,50%, sensibility of 40,00%, specificity of 32,54% and efficiency of 34,30%. For the digit-thumb grip motion was with the neural network cascade-forward backpropagation with sigmoid hyperbolic tangent activation function, with values of 20.510% positive selectivity, negative selectivity of 61.25%, sensitivity of 43.64%, specificity of 34.50% and efficiency of 37.06%. The network that in the set of movements and rest had the best performance was the feed-forward backpropagation network with sigmoid hyperbolic tangent activation function for both normal individuals and amputated individuals.
Keywords : upper limb amputations. Transradial amputations. Myoelectric signals. Artificial neural networks.
Matlab. Myoelectric prosthesis. Human hand.
Figura 30 – Em azul, gráfico dos sinais mioelétrico. Em laranja, gráfico da saída das redes para o terceiro movimento. Na ordem: rede original, rede otimizada com 12 canais e rede otimizada com 7 canais. 51 Figura 31 – Em azul, gráfico dos sinais mioelétrico. Em laranja, gráfico da saída das redes para o quarto movimento. Na ordem: rede original, rede otimizada com 12 canais e rede otimizada com 7 canais. 52 Figura 32 – Exemplo de funcionamento do Schmitt trigger............................. 54 Figura 33 – Exemplo de funcionamento do Schmitt trigger............................. 55 Figura 34 – Em azul, gráfico dos sinais mioelétrico. Em laranja grafico da saída da rede filtrada. Na ordem dos estudos de caso: repouso, movimento 1 e movimento 2...................... 56 Figura 35 – Em azul, gráfico dos sinais mioelétrico. Em laranja grafico da saída da rede filtrada. Na ordem dos estudos de caso: movimento 3 e movimento 4........................... 57 Figura 36 – Saída da rede filtrada. Na primeira imagem a escolha do limiar de decisão, e na segunda imagem a conversão da saída para degraus. Caso de estudo: repouso..................... 57 Figura 37 – Saída da rede filtrada. Na primeira imagem a escolha do limiar de decisão, e na segunda imagem a conversão da saída para degraus. Caso de estudo: movimento 1................... 58 Figura 38 – Saída da rede filtrada. Na primeira imagem a escolha do limiar de decisão, e na segunda imagem a conversão da saída para degraus. Caso de estudo: movimento 2................... 58 Figura 39 – Saída da rede filtrada. Na primeira imagem a escolha do limiar de decisão, e na segunda imagem a conversão da saída para degraus. Caso de estudo: movimento 3................... 59 Figura 40 – Saída da rede filtrada. Na primeira imagem a escolha do limiar de decisão, e na segunda imagem a conversão da saída para degraus. Caso de estudo: movimento 4................... 59
Tabela 1 – Músculos da mão, localização e função................................. 27 Tabela 2 – Músculos do antebraço, localização e função.............................. 28 Tabela 3 – Características gerais dos bancos de dados 1 e 2 utilizados para o treinamento das RNAs..... 42 Tabela 4 – Banco de dados 2: característica clínica dos indivíduo amputados.................. 42 Tabela 5 – Desempenho da rede otimizada com 12 canais, comparou-se amostra por amostra para definir valores de VP, VN, FP e FN....................................... 54 Tabela 6 – Desempenho da rede otimizada com 12 canais, comparou-se intervalos para definir valores de VP, VN, FP e FN............................................... 55 Tabela 7 – Desempenho da rede filtrada....................................... 56 Tabela 8 – Desempenho da rede feed-forward backpropagation com função de ativação TANSIG para o banco de dados de indivíduos normais..................................... 61 Tabela 9 – Desempenho da rede feed-forward backpropagation com função de ativação PURELIN para o banco de dados de indivíduos normais.................................. 61 Tabela 10 – Desempenho da rede feed-forward backpropagation com função de ativação LOGSIG para o banco de dados de indivíduos normais..................................... 62 Tabela 11 – Desempenho da rede cascade-forward backpropagation com função de ativação TANSIG para o banco de dados de indivíduos normais.................................. 62 Tabela 12 – Desempenho da rede cascade-forward backpropagation com função de ativação PURELIN para o banco de dados de indivíduos normais.................................. 62 Tabela 13 – Desempenho da rede cascade-forward backpropagation com função de ativação LOGSIG para o banco de dados de indivíduos normais.................................. 62 Tabela 14 – Desempenho da rede NARX com função de ativação TANSIG para o banco de dados de indivíduos normais................................................... 63 Tabela 15 – Desempenho da rede NARX com função de ativação PURELIN para o banco de dados de indivíduos normais............................................ 63 Tabela 16 – Desempenho da rede NARX com função de ativação LOGSIG para o banco de dados de indivíduos normais................................................... 63 Tabela 17 – Melhor desempenho das redes para o estudo de caso 0: repouso. Considerando o banco de dados dos indivíduos normais.......................................... 64 Tabela 18 – Melhor desempenho das redes para o estudo de caso 1: mão aberta. Considerando o banco de dados dos indivíduos normais...................................... 65 Tabela 19 – Melhor desempenho das redes para o estudo de caso 2: mão fechada. Considerando o banco de dados dos indivíduos normais...................................... 65 Tabela 20 – Melhor desempenho das redes para o estudo de caso 3: segurando um copo. Considerando o banco de dados dos indivíduos normais..................................... 65 Tabela 21 – Melhor desempenho das redes para o estudo de caso 4: pinça clássica. Considerando o banco de dados dos indivíduos normais...................................... 66 Tabela 22 – Desempenho da rede feed-forward backpropagation com função de ativação TANSIG para o banco de dados de indivíduos amputados.................................... 66 Tabela 23 – Desempenho da rede cascade-forward backpropagation com função de ativação TANSIG para o banco de dados de indivíduos amputados................................ 67 Tabela 24 – Desempenho da rede NARX com função de ativação LOGSIG para o banco de dados de indivíduos amputados................................................. 67 Tabela 25 – Melhor desempenho das redes para o estudo de caso 0: repouso. Considerando o banco de dados dos indivíduos amputados........................................ 68
CFB Cascade-forward Backpropagation
DOF Grau de liberdade, do inglês Degress of freedom
EMG Eletromiografia
FFB Feed-forward Backpropagation
FN Falso Negativo
FP Falso Positivo
Hz Hertz
IA Inteligência artificial
IFD Interfalangeana distal
IFP interfalangeana proximal
k Kilo
LOGSIG Nomenclatura do MATLAB para função de ativação sigmoide logarítmica
M. Músculo
m Mili
MF Morfologia Flexional
ML Morfologia Lexical
n Nano
NARX Rede autorregressiva não linear com entradas externa
PURELIN Nomenclatura do MATLAB para função de ativação linear
RMS Potência eficaz ou potência média quadrática, do inglês Root Mean Square
RNA Rede neural artificial
RNAs Redes neurais artificial
sEMG Densidade na atividade eletromiográfica
SME Sinal mioelétrico
TANSIG Nomenclatura do MATLAB para função de ativação tangente hiberbólia sigmoide
V Volts
VN Verdadeiro Negativo
VPN Valor Preditivo Negativo
VPP Valor Preditivo Positivo
VP Verdadeiro Positivo
