Mostrar el registro sencillo del ítem

dc.contributor.advisorBalbinot, Alexandrept_BR
dc.contributor.authorTosin, Maurício Cagliaript_BR
dc.date.accessioned2019-10-23T03:52:19Zpt_BR
dc.date.issued2018pt_BR
dc.identifier.urihttp://hdl.handle.net/10183/200940pt_BR
dc.description.abstractÉ desafiador obter taxas de acerto elevadas no que cerne a tarefa de classificar movimentos do segmento mão braço a partir de sinais de sEMG. Inúmeros trabalhos têm sido desenvolvidos nessa área explorando a filtragem do sinal, extração de características e classificador, porém muito poucos atacam o problema sob o aspecto da seleção de características. O presente trabalho visa implementar três algoritmos diferentes de seleção de características para classificação de tais sinais: Support Vector Machine Recursive Feature Elimination (SVM-RFE), Monte Carlo Feature Selection, e Singular Value Decomposition (SVD) Entropy. Para a referida análise foram utilizados sinais da Base de Dados internacional Ninapro e também foram adquiridos sinais no laboratório de Instrumentação Eletro-eletrônica (IEE). Para o estágio de classificação foi utilizado o método Regularized Extreme Learning Machine (RELM). Contudo, o algoritmo proposto consiste em 4 etapas fundamentais. Primeiramente, 13 características foram extraídas dos sinais de sEMG: 11 no domínio do tempo e duas no domínio da frequência. A correlação entre todas as 156 características obtidas (12 canais x 13 características) foi analisada e retirou-se do conjunto as que apresentaram correlação superior a 0,9. Na sequência, as que restaram da etapa anterior foram ranqueadas a partir dos 3 métodos de seleção de características supracitados. Por fim, o conjunto ordenado de características passou pelo estágio de classificação onde determinou-se o melhor grupo dentre elas. Como resultado, obteve-se taxa de acerto média de 85,42% para a Base 2 Ninapro, 77,46% para a Base 3 Ninapro e 86,74% para a Base do IEE.pt_BR
dc.description.abstractIt is challenging to obtain high classification rates in the task of classifying hand-arm segment movements by sEMG signals analysis. Several works have been developed in this area exploring signal filtering, feature extraction and classifier, but very few of them faces the problem under the feature selection point of view. The present work aims to implement three different feature selection algorithms to classify such signals: Support Vector Machine Recursive Feature Elimination (SVM-RFE), Monte Carlo Feature Selection, and Singular Value Decomposition (SVD) Entropy. For this analysis, signals from the International Ninapro Database were used, and additionally it was acquired signals in the Electro-Electronic Instrumentation (IEE) Laboratory. For classification stage, it was used the Regularized Extreme Learning Machine (RELM) method. However, the proposed algorithm consists of 4 fundamental steps. First, 13 characteristics were extracted from the sEMG signals: 11 in the time domain and two in the frequency domain. The correlation between all 156 features obtained (12 channels x 13 characteristics) was analyzed and those which presented a correlation value above 0,9 were removed from the set. In sequence, the remaining features were ranked by the above mentioned feature selection methods. Finally, the ordered set of features pass through the classification stage where the best group among them was determined. As a result, the mean classification rate obtained was 85,42% for Ninapro Database 2, 77,46% for Ninapro Database 3 and 86,74% for IEE Database.en
dc.format.mimetypeapplication/pdfpt_BR
dc.language.isoporpt_BR
dc.rightsOpen Accessen
dc.subjectEletromiografiapt_BR
dc.subjectElectromyographyen
dc.subjectSupport vector machine recursive feature eliminationen
dc.subjectMétodo de Monte Carlopt_BR
dc.subjectMonte Carlo feature selectionen
dc.subjectEntropiapt_BR
dc.subjectSingular value decomposition entropyen
dc.subjectMáquinas de vetores de suportept_BR
dc.subjectAprendizado de máquinapt_BR
dc.subjectRegularized extreme learning machineen
dc.titleAplicação de algoritmos de seleção de características na classificação de movimentos do segmento mão-braço através do processamento de sinais sEMGpt_BR
dc.typeDissertaçãopt_BR
dc.identifier.nrb001104374pt_BR
dc.degree.grantorUniversidade Federal do Rio Grande do Sulpt_BR
dc.degree.departmentEscola de Engenhariapt_BR
dc.degree.programPrograma de Pós-Graduação em Engenharia Elétricapt_BR
dc.degree.localPorto Alegre, BR-RSpt_BR
dc.degree.date2018pt_BR
dc.degree.levelmestradopt_BR


Ficheros en el ítem

Thumbnail
   

Este ítem está licenciado en la Creative Commons License

Mostrar el registro sencillo del ítem