Análise de movimentos do segmento mão-braço utilizando lógica fuzzy

Abstract

Eletromiografia de Superfície (sEMG) é a captação dos sinais elétricos originários dos músculos ao serem comandados pelo cérebro, sendo assim, estes dados podem ser utilizados para identificar qual foi a intenção de um determinado movimento realizado por um sujeito. Desta forma, o objetivo deste trabalho é utilizar sinais de sEMG para analisar movimentos do segmento mão-braço utilizando lógica de decisão Fuzzy. Os dados utilizados são da base de dados NINAPRO que possui informações de 12 canais de eletrodos posicionados no segmento mão-braço, foram avaliados 12 sujeitos (6 amputados e 6 intactos) e 5 movimentos diferentes. A segmentação do sinal é feita através do método de detecção de limiar, a característica avaliada pelo algoritmo é a tensão elétrica RMS dos segmentos ativos e o agrupamento dos dados foi realizado através do Fuzzy C − means Clustering. O processamento dos dados é realizado pelo Sistema de Inferência Fuzzy com entradas Fuzzyficadas por três funções de pertinência do tipo Gaussiana e uma saída correspondente ao movimento realizado. Foram implementadas 1322 regras para o sistema e a taxa de acerto médio global resultante para todos os movimentos da base, sob a melhor configuração do Sistema de Inferência, foi de 77%. Para os 5 movimentos de interesse obteve-se taxa de acerto médio de 84% a 97%, ao passo que para os movimentos que não são de interesse deste trabalho, ou seja, cujas regras Fuzzy não foram não foram especificadas para identificar, resultaram em uma taxa média de 72%.

Surface Eletromiography (SEMG) is the measurement of electrical signals originated from the muscle when they are commanded by the brain, as a result, those data could be used to identify which movement was intended by a subject. Therefore, the objective of this work is to use the SEMG signals to analyze hand-wrist movements using Fuzzy decision logic. The used data were from the database NINAPRO, that has the information from 12 electrode channels positioned in the hand-wrist region, 12 subjects were evaluated (6 amputees and 6 intact) and 5 different movements. The signal segmentation is made through threshold detection, the characteristic evaluated by the algorithm is RMS voltage from each active segment and the cluster data were made through , Fuzzy C −Means Clustering. The data processing is made by the Fuzzy Inference System with Fuzzyfied inputs by three Gaussian type membership functions and one output corresponding to the performed movement. There were implemented 1322 rules to the system and the mean global success rate for all the sub-database movements, using the best Fuzzy Inference System configuration, was 77%. For the 5 moviments of interest the mean sucess rate was from 84% until 97%, in contrast with the no-interest movements in this work, in other words, the ones that the Fuzzy rules were not specified to Identify, result in a success rate of 72%.