Impact of sEMG Time-series Segmentation Parameters on the Recognition of Hand Gestures
A eletromiografia de superfície (EMs) tem sido um sinal amplamente pesquisado para o controle de próteses. Esse processo é baseado nas etapas de processamento de sEMG como segmentação, extração de características e classificação, que reconhece esses biossinais em gestos a serem realizados para a pró...
| Principais autores: | Pontim, Carlos Eduardo, Júnior, José Jair ALves Mendes, Martins, Hygor Vinícius Pereira, Campos, Daniel Prado |
|---|---|
| Formato: | Artigo |
| Idioma: | Inglês |
| Publicado em: |
Universidade Tecnológica Federal do Paraná (UTFPR)
2020
|
| Acesso em linha: |
http://periodicos.utfpr.edu.br/bjic/article/view/11313 |
| Tags: |
Adicionar Tag
Sem tags, seja o primeiro a adicionar uma tag!
|
| Resumo: |
A eletromiografia de superfície (EMs) tem sido um sinal amplamente pesquisado para o controle de próteses. Esse processo é baseado nas etapas de processamento de sEMG como segmentação, extração de características e classificação, que reconhece esses biossinais em gestos a serem realizados para a prótese. Dentre esses processos, a segmentação é uma etapa fundamental, porém algumas variáveis não são exploradas, com o objetivo de melhorar o desempenho da classificação. Neste trabalho, analisou-se a influência da segmentação sobreposta da EMGs no reconhecimento de padrões para gestos manuais utilizados para controlar uma prótese de flexão superior. Dados de seis gestos comumente usados foram adquiridos pela braçadeira comercial de 8 canais (MyoThalmic Labs) de 7 indivíduos no antebraço. Os parâmetros de segmentação avaliados foram o comprimento da janela, a fração de sobreposição e o comprimento total do sinal (truncamento). Foram extraídas quatro características do domínio do tempo : escala L, comprimento máximo do fractal, valor médio do quadrado da raiz e amplitude de Willison. Os classificadores Linear Discriminand Analisis e K-Nearest Neighbor foram utilizados para reconhecer os gestos. O teste de Wilcoxon foi realizado para avaliar diferença significativa da distribuição dos resultados (p <0,05). Os melhores resultados obtidos no classificador foram obtidos com o classificador KNN, com as seguintes especificações: janela de 0,45s, fração de sobreposição de 25% e truncamento de 100%, com97,4% de precisão. Observou-se que, aumentando o comprimento da janela, a precisão dos classificadores também aumenta. A taxa de sobreposição apresenta algumas diferenças significativas na distribuição, onde etapas menores de sobreposição melhoram a precisão. Em relação ao truncamento, a combinação do início e da última parte do sinal (não apenas o início) contém as informações úteis para o reconhecimento de padrões. |
|---|