Imagem da capa

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...

ver descrição completa

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!
id peri-article-11313
recordtype ojs
spelling peri-article-113132022-10-19T17:34:37Z Impact of sEMG Time-series Segmentation Parameters on the Recognition of Hand Gestures Pontim, Carlos Eduardo Júnior, José Jair ALves Mendes Martins, Hygor Vinícius Pereira Campos, Daniel Prado 3.13.00.00-6 Engenharia Biomédica 3.13.01.00-2 Bioengenharia 3.13.01.01-0 Processamento de Sinais Biológicos sEMG; Machine Learning; Segmentation; Feature Extraction; Robotic Hand 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. Universidade Tecnológica Federal do Paraná (UTFPR) 2020-10-15 info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion application/pdf http://periodicos.utfpr.edu.br/bjic/article/view/11313 10.3895/jaic.v8n1.11313 Journal of Applied Instrumentation and Control; v. 8, n. 1 (2020); 1-7 Journal of Applied Instrumentation and Control; v. 8, n. 1 (2020); 1-7 2594-3553 10.3895/jaic.v8n1 eng http://periodicos.utfpr.edu.br/bjic/article/view/11313/7911 Direitos autorais 2020 CC-BY http://creativecommons.org/licenses/by/4.0
institution Universidade Tecnológica Federal do Paraná
collection PERI
language Inglês
format Artigo
author Pontim, Carlos Eduardo
Júnior, José Jair ALves Mendes
Martins, Hygor Vinícius Pereira
Campos, Daniel Prado
spellingShingle Pontim, Carlos Eduardo
Júnior, José Jair ALves Mendes
Martins, Hygor Vinícius Pereira
Campos, Daniel Prado
Impact of sEMG Time-series Segmentation Parameters on the Recognition of Hand Gestures
author_sort Pontim, Carlos Eduardo
title Impact of sEMG Time-series Segmentation Parameters on the Recognition of Hand Gestures
title_short Impact of sEMG Time-series Segmentation Parameters on the Recognition of Hand Gestures
title_full Impact of sEMG Time-series Segmentation Parameters on the Recognition of Hand Gestures
title_fullStr Impact of sEMG Time-series Segmentation Parameters on the Recognition of Hand Gestures
title_full_unstemmed Impact of sEMG Time-series Segmentation Parameters on the Recognition of Hand Gestures
title_sort impact of semg time-series segmentation parameters on the recognition of hand gestures
description 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.
publisher Universidade Tecnológica Federal do Paraná (UTFPR)
publishDate 2020
url http://periodicos.utfpr.edu.br/bjic/article/view/11313
_version_ 1805449305675268096
score 10,814766

Registros relacionados