Mostrar el registro sencillo del ítem

dc.contributor.advisorBalbinot, Alexandrept_BR
dc.contributor.authorBúrigo, Arthur Crippapt_BR
dc.date.accessioned2016-01-16T02:42:25Zpt_BR
dc.date.issued2014pt_BR
dc.identifier.urihttp://hdl.handle.net/10183/131919pt_BR
dc.description.abstractPortadores de deficiência têm parte de seu poder de ação limitado devido a sua condição física. Uma maneira de amenizar a situação dessas pessoas é a utilização de próteses para a eliminação parcial ou, idealmente, completa da deficiência. Este trabalho utiliza a segunda base de dados NinaPro para o desenvolvimento de um sistema, baseado em eletromiografia de superfície, para a classificação de movimentos da mão de uma pessoa (abdução dos dedos, dedos flexionados em punho, extração do dedo indicador, flexão da mão, extensão da mão e pegada). Em especial, ele compara o desempenho de três algoritmos de classificação (regressão logística, redes neurais e máquina de vetores de suporte) para conjuntos variáveis de eletrodos, para conjuntos variáveis de características e para tamanhos de conjunto de treinamento distintos. O trabalho mostra que as taxas de acerto dos modelos de aprendizado decrescem com a diminuição do tamanho do conjunto de eletrodos utilizado, porém evidencia que o posicionamento destes eletrodos também pode ser um fator importante para a qualidade da classificação dos sinais. Além disso, ele destaca altas taxas de acerto ao se considerar somente algumas características extraídas do domínio da frequência (como a obliquidade e o centroide espectral), confirma que a taxa de acerto média dos modelos diminui com a redução do tamanho do conjunto de treinamento e revela que os modelos de regressão logística e rede neural apresentam taxas de acerto muito próximas (96;3% no caso de teste padrão) e superiores às taxas do modelo de máquina de vetores de suporte (92;2% no caso de teste padrão).pt_BR
dc.description.abstractPeople with disabilities are partially limited due to their physical condition. One way to minimize their situation is the use of prosthesis to reduce or, ideally, completely eliminate the disability. This project uses the second NinaPro database to develop a system, based on superficial electromyography, capable of classifying movements of a person’s hand (abduction of the fingers, fingers flexed together in fist, pointing index, wrist flexion, wrist extension and grasp). In particular, it compares the accuracy of three classification methods (logistic regression, neural networks and support vector machine) for variable sets of electrodes, for variable sets of characteristics and for training sets of different sizes. This paper demonstrates that the accuracies of the models decrease with the reduction of the set of electrodes, but shows that the positioning of these electrodes may be an important factor for the quality of classification. Moreover, it highlights high accuracy rates when considering only some features extracted from the frequency domain (as skewness and spectral centroid), confirms that the accuracies of the models decrease with the reduction of the training set size and shows that logistic regression and neural network models present similar but superior accuracies (96;3% on the standard test case), when compared to that of a support vector machine model (92;2% on the standard test case).en
dc.format.mimetypeapplication/pdf
dc.language.isoporpt_BR
dc.rightsOpen Accessen
dc.subjectSuperficial electromyographyen
dc.subjectRedes neuraispt_BR
dc.subjectInformática médicapt_BR
dc.subjectSecond ninapro databaseen
dc.subjectHand movement classificationen
dc.subjectLogistic regressionen
dc.subjectNeural networken
dc.subjectSupport vector machineen
dc.titleClassificação de movimentos da mão utilizando eletromiografia de superfície, regressão logística, redes neurais, máquina de vetores de suporte e base de dados NinaPropt_BR
dc.title.alternativeClassification of hand movements using superficial electromyography, logistic regression, neural network, support vector machine and ninapro database en
dc.typeTrabalho de conclusão de graduaçãopt_BR
dc.identifier.nrb000952653pt_BR
dc.degree.grantorUniversidade Federal do Rio Grande do Sulpt_BR
dc.degree.departmentInstituto de Informáticapt_BR
dc.degree.localPorto Alegre, BR-RSpt_BR
dc.degree.date2014pt_BR
dc.degree.graduationCiência da Computação: Ênfase em Engenharia da Computação: Bachareladopt_BR
dc.degree.levelgraduaçãopt_BR


Ficheros en el ítem

Thumbnail
   

Este ítem está licenciado en la Creative Commons License

Mostrar el registro sencillo del ítem