Análise e desenvolvimento de algoritmo de reconhecimento de padrão baseado em lógica paraconsistente para uso inconsistente e sua aplicação na classificação de movimentos do membro superior através de sinais mioelétricos

Abstract

Algoritmos de aprendizado de máquina, em especial os de reconhecimento de padrão, tem evoluído cada vez mais no campo cientifico. No entanto, a aplicação de tais algoritmos em sinais físicos é sempre um desafio, pois eventos indesejáveis podem ocorrer quando os sinais são adquiridos fora de um ambiente controlado. Dentre diversas aplicações, o reconhecimento de movimentos através de sinais de sEMG é especialmente complicado, pois os mesmos estão sujeitos a diversos tipos de contaminantes que podem degradar o sinal. Essas degradações alteram as características dos sinais mioelétricos, dificultando a capacidade dos algoritmos de reconhecimento de padrão em descriminar classes de movimento. Este trabalho apresenta contribuições no desenvolvimento de um algoritmo de reconhecimento de padrão que leva em consideração o tratamento desses sinais não-ideais. O método Paraconsistent Random Forest desenvolvido agrega as vantagens de classificadores híbridos, entre elas, a baixa suscetibilidade a ruído usando uma abordagem de Random Forest e a capacidade da Lógica Paraconsistente em lidar com dados inconsistentes em sua estrutura teórica sem invalidar suas conclusões. Diversas bases de dados padrão na área de aprendizagem de máquina foram utilizadas para validar o método, cujas taxas de acertos foram equiparáveis aos métodos tradicionais e se sobressaíram na classificação de bases de dados degradadas. O desempenho do método Paraconsistent Random Forest também foi avaliado na área de reconhecimento de movimentos do membro superior através de sinais mioelétricos. Vários procedimentos experimentais foram empregados para analisar a viabilidade e robustez do método quanto a contaminantes típicos da área de eletromiografia de superfície, como artefatos de movimento, ruído térmico e perda do contato eletrodo-pele. O método Paraconsistent Random Forest se mostrou promissor para o uso em contextos onde ocorrem degradação dos dados de entrada, apresentando um decréscimo inferior a 20% na predição dos movimentos em comparação aos métodos tradicionais que apresentaram, na mesma situação, decréscimos de até 90%, invalidando o modelo. Todos os experimentos foram validados estatisticamente utilizando conceito de projeto fatorial completo.

Machine learning algorithms, in special the pattern recognition ones, have been evolved significantly over the past years in the scientific community. However, the application of such algorithms in real world signals remains a challenge, since undesirable effects can occur when the acquisition is not made in a controlled environment. Among the various applications, the pattern recognition movements using sEMG signals is particularly complicated, since they are susceptible to several types of contaminants that may degrade the signal. These degradations change the myoelectric signal behavior, making it difficult for the pattern recognition algorithm to detect the movement class. In this work, a pattern recognition algorithm was developed in order to mitigate these problems. The method, Paraconsistent Random Forest, result of this thesis, adds the advantages of hybrid classifiers, among them, low noise susceptibility due to a Random Forest approach and the Paraconsistent Logic ability to handle contradictory signals in its theoretical structure without invalidating the conclusions. The results showed that the Paraconsistent Random Forest was capable to classify several benchmark databases with scores comparable to traditional methods. In this experiment, the Paraconsistent Random Forest theory also extends to the application of upper limb motion recognition thought myoelectric signals. Several experimental procedures were executed in order to analyze the feasibility and robustness when compared to other algorithms and applying signal contaminants typical of the area of electromyography, such as movement artifacts, thermal noise and electrode-skin contact loss. The Paraconsistent Random Forest resulted in a promising method for use in contexts where signal degradation was presented, achieving an accuracy decrease lower than 20% when compared to traditional methods that, in the same context, presented an accuracy decrease of up to 90%, invalidating the model. All experiments were statistically validated using the full factorial design concept.