Identificação de gestos por sinais eletromiográficos de superfície utilizando aprendizado de máquina

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorMendes Junior, José Jair Alves-
Autor(es): dc.contributorMendes Junior, José Jair Alves-
Autor(es): dc.contributorRasera, Carmen Caroline-
Autor(es): dc.contributorLazzaretti, André Eugênio-
Autor(es): dc.creatorCarneiro, Matheus Taborda-
Data de aceite: dc.date.accessioned2025-08-29T12:47:28Z-
Data de disponibilização: dc.date.available2025-08-29T12:47:28Z-
Data de envio: dc.date.issued2025-02-10-
Data de envio: dc.date.issued2025-02-10-
Data de envio: dc.date.issued2023-06-19-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/35941-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1101899-
Descrição: dc.descriptionThe human-machine interfaces limitations should be constantly challenged, só qe can achieve enhancements or even reestabilsh human capacities. Several topics are studied around this thematic axis, one of then being gesture recognition, that brings an intuitive and pratical control for different systems. The sEMG technique is highlighted in gesture recognition applications, showing high reliability and robustness when the correct signal processing and acquision are executed. In this project it was developed a sEMG signal processing system for hand gesture recognition. Five hand gestures from five subjects were acquired by a commercial Myo™armband, that has 8 channels of dry electrodes. After data acquisition it was evaluated threshold and acquisition windows for the segmentation step, feature groups for the feature extration step and classifier parameters, selecting the best accuracy for usage in online operation. The training strategies of the algorithms are compared between all data collected and subject to subject, also comparing their accuracy. The system developed attained 95.9% accuracy in offline operation and 93.6% in online operation tests, using a SVM classifier.-
Descrição: dc.descriptionAs limitações das interfaces homem-máquina devem ser constantemente desafiadas para permitir melhoramentos ou até mesmo reestabelecimento das capacidades humanas. Diversos tópicos são estudados ao redor desse eixo temático, sendo um deles o reconhecimento de gestos manuais, que traz um controle mais intuitivo e prático para diferentes sistemas. A técnica de Eletromiografia de Superfície se destaca bastante nas aplicações de identificação de gestos, apresentando alta confiabilidade e robustez quando executam-se as etapas de processamento e aquisição corretas. Nesse projeto foi desenvolvido um sistema de processamento de sinais eletromiográficos de superfície para a identificação de gestos performados por uma mão. Foram adquiridos 5 gestos predeterminados de 5 indivíduos voluntários por meio de um bracelete comercial Myo™, que conta com 8 canais de eletrodos secos. Posteriormente à aquisição foram avaliados limiares e janelas de aquisição para as etapas de segmentação, grupos de características nas etapas de extração de características e parâmetros de classificadores, sendo selecionados por acurácia de identificação para a operação online. São colocadas em comparação as estratégias de treinamento dos algoritmos com todos os dados coletados e também indivíduo à indivíduo, comparando também suas precisões. O sistema desenvolvido alcançou acurácias de 95,9% em sua operação offline e 93,6% nos testes em operação online, usando um classificador baseado em Support Vector Machine (SVM).-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherCuritiba-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherEngenharia Eletrônica-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightshttp://creativecommons.org/licenses/by/4.0/-
Palavras-chave: dc.subjectEletromiografia-
Palavras-chave: dc.subjectProcessamento de sinais-
Palavras-chave: dc.subjectGestos - Identificação-
Palavras-chave: dc.subjectElectromyography-
Palavras-chave: dc.subjectSignal processing-
Palavras-chave: dc.subjectGesture - Identification-
Palavras-chave: dc.subjectCNPQ::ENGENHARIAS::ENGENHARIA ELETRICA-
Título: dc.titleIdentificação de gestos por sinais eletromiográficos de superfície utilizando aprendizado de máquina-
Título: dc.titleGesture classification by surface electromyographic signals using machine learning-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.