Desempenho de modelos inteligentes para classificação de intenção de movimento de mão a partir de sinais de sEMG no microcontrolador ESP32

Abstract

Próteses de mão controladas por sEMG são soluções não invasivas para amputados terem novamente a funcionalidade de seus membros, melhorando sua qualidade de vida. Controlar estas próteses exige a criação de um classificador capaz de não somente classificar estes movimentos, mas que seja possível ser embarcado. Este trabalho testou diferentes configu rações de redes neurais, regressão logística e florestas aleatórias, variando hiperparâmetros, número de entradas e características para avaliar seus desempenhos e os testando em um microcontrolador Esp32. Foi utilizada a base de dados NinaPro para avaliação dos modelos, utilizando 18 movimentos discretos. Foi encontrado que o modelo com maior taxa de acerto foi o de floresta aleatória, utilizando todos os 12 canais com 78,0% de taxa de acerto. Os modelos com maiores taxas de acerto para redes neurais e regressões logísticas encontraram ambos 74,3%. Foi encontrado que as latências dos modelos aumentam conforme aumentam o número de entradas, com latências variado de 4897-5785 µs (redes neurais), 16-1127 µs (regressão logística) e 2-313 µs (florestas aleatórias).

sEMG-controlled hand prostheses are non-invasive solutions for amputees to regain the functionality of their limbs, improving their quality of life. Controlling these prostheses requires the creation of a classifier capable of not only classifying these movements, but also being embeddable. This work tested different configurations of neural networks, logistic regression, and random forests, varying hyperparameters, the number of inputs, and features to evaluate their performances and testing them on an Esp32 microcontroller. The NinaPro database was used to evaluate the models, using 18 discrete movements. It was found that the model with the highest accuracy rate was the random forest, using all 12 channels with 78,0% accuracy rate. The models with the highest accuracy rates for neural networks and logistic regressions both found 74.3%. It was found that the latencies of the models increase as the number of inputs increases, with latencies ranging from 4897-5785 µs (neural networks), 16-1127 µs (logistic regression), and 2-313 µs (random forests).