Caracterização dos sinais mioelétricos dos movimentos do segmento mão-braço através de regressão logística

Abstract

Os sinais mioelétricos têm sido extensivamente estudados nas aplicações de controle de próteses multifuncionais. As pesquisas de sistemas como este, com interface neuromuscular, apresentam diversos desafios que ainda limitam, devido a fatores experimentais, seu emprego como dispositivo de tecnologia assistiva. Neste estudo, é proposto um método para estimar movimentos do segmento mão-braço a partir da aquisição de sinais eletromiográficos. Os algoritmos analisados extraem características destes sinais e usam um método de regressão para predizer ações. As estratégias foram projetadas com o objetivo de reproduzir ações complexas, com até três graus de liberdade, fornecendo um controle intuitivo aos usuários de prótese. Foram realizadas diversas configurações de teste, variando, por exemplo, o número de canais utilizados, as características do sinal e o layout das bases de teste e treinamento. Os melhores resultados revelaram uma taxa de acerto geral média entre os cinco voluntários de 95.1%. Um dos indivíduos se destacou por ter todos os 19 movimentos testados corretamente classificados, evidenciando, portanto, uma taxa de acerto de 100%. Este desempenho destaca, por conseguinte, o método de regressão logística como um bom classificador de sinais mioelétricos dos movimentos do segmento mão-braço.

The myoelectric signals have been extensively studied in multifunctional prosthesis control applications. The studies on this kind of system, with neuromuscular interface, present several challenges that limit, due to experimental factors, their employment as assistive technology device. In this study, methods are proposed for estimating certain movements of a human arm from the acquisition of electromyographic signals. The analyzed algorithms extract features from this signals and use a regression technique to predict actions. The strategies aimed at reproducing complex actions, with three degrees of freedom, providing an intuitive control to the prosthesis users. Several test configurations were tested, ranging, for example, the number of channels considered, the signal characteristics and the test and training set layout. The best results revealed an average accuracy rate, of the five volunteers, of 95.1%. One of the individuals stood out for having all 19 movements tested correctly classified, thus showing an accuracy rate of 100%. This performance therefore highlights the logistic regression method as a good classifier for myoelectric signals from arm movements.