Caracterização dos sinais mioelétricos dos movimentos do segmento mão braço através de redes neurais artificiais e algoritmos genéticos

Abstract

O projeto tem como objetivo caracterizar sinais mioelétricos provenientes do segmento mão braço através de redes neurais e algoritmos genéticos. Os sinais mioelétricos usados no projeto são provenientes de uma base de dados. Nesses sinais são aplicadas etapas de preprocessamento e extração de características. Uma vez de posse das características do sinal mioelétrico, o algoritmo genético é usado para gerar um conjunto de parâmetros de entrada para a rede neural, esses parâmetros incluem a formatação dos dados de entrada, assim como a estrutura da rede neural usada. As redes neurais são usadas para classificar os sinais mioelétricos de acordo com o movimento que foi realizado. O algoritmo genético então avalia o resultado da rede neural e evolui seus parâmetros de entrada, afim de encontrar a configuração com o melhor desempenho. A média do melhor resultado dos voluntários foi de 77.7%. Entre todos os resultados, a maior taxa de acerto foi de 93.8%. O resultado é satisfatório, pois apresenta uma taxa de acerto regular quando comparado com outros trabalhos desse mesmo segmento.

The project aims to characterize myoelectric signals from the hand arm segment through neural networks and genetic algorithms. The myoelectric signals used in the project are from a database. Steps of preprocessing and feature extraction are applied to these signals. Once in possession of the myoelectric signal features, the genetic algorithm is used to generate a set of input parameters for the neural network, the parameters include formatting the input data as well as the structure of the neural network used. Neural networks are used to classify the myoelectrical signal according to the movement that has been performed. The genetic algorithm then evaluates the result of neural network and evolves its input parameters in order to find the configuration with the best performance. The mean score of the volunteer was 77.7%. Among all the results, the best score was 93.8%. The result is satisfactory, since it has a regular accuracy rate when copared with other works of the same branch.