Uso de redes recorrentes para identificação automática de contaminantes e para a estimação de um sensor virtual de eletromiografia no contexto de um sistema tolerante a falhas

Abstract

O desenvolvimento de sistemas inteligentes controlados por eletromiografia que possam se adaptar a possíveis contaminações extrínsecas e intrínsecas, que afetem a taxa de acerto do classificador de movimentos, leva a dispositivos mais robustos e seguros, vistos que evitariam acionamentos indevidos e inesperados. Esse trabalho apresenta uma solução para contaminações por Artefato de Movimento, Ruído de Linha Elétrica, Ruído Branco Aditivo e ECG em 9 diferentes níveis de SNR, de -40dB a 40dB, utilizando Redes Neurais Recorrentes (RNR) com unidades LSTM nas duas etapas deste trabalho. A primeira etapa é o sistema de identificação da contaminação, que traz como inovação a identificação do contaminante diretamente do sinal bruto de sEMG, deixando para a rede a extração das características temporais, onde os resultados apontaram uma taxa de mais de 90% de acerto do tipo de contaminante para SNR = -30dB. A segunda etapa é a geração de um Sensor Virtual a partir de 7 estudos de caso em falhas de eletrodos, que traz como inovação a regressão do sinal retificado e suavizado por um filtro AVT. A geração do sensor virtual é realizada a partir dos canais não contaminados também utilizando uma RNR - LSTM com o objetivo de recuperar a taxa de acerto em 18 classes de um classificador Extreme Learning Machine (ELM), aplicado nas bases NinaPro e IEE. Os resultados indicaram que foi possível recuperar a taxa média de acerto para 2 canais contaminados com ruído branco aditivo em -30dB, de um total de 12 canais, de 7,28% para 68,34% em 4 indivíduos não amputados e de 15,07% para 43,67% em 9 indivíduos amputados.

The development of electromyographic controlled systems adaptable to possibles extrinsic and intrisec contaminations, affecting the movement classification hit rate, lead to more robust and secure devices avoiding unexpected situations. This work presents a solution for Movement Artifact, Electrical Noise, White Gaussian Noise and ECG in nine SNR levels, ranging from -40dB to 40dB in 10dB steps, using Recurrent Neural Networks with LSTM units in the two stages of this work. The first stage is an automatic contamination detector, that has the contaminant identification made direct from the raw sEMG signal as a novelty, where the the tests point to 90% correct identification for SNR = -30dB. The second stage is the development of a virtual sensor, that generates the corrupted channel using the non-corrupted ones using a RNR-LSTM with the objective to recover the 18 movement class classification hit rate for an Extreme Learning Machine (ELM). The results shows that was possible to recovery the classification hit rate for 2 contaminated channels from 7.28% to 63.34% in 4 non-amputee subjects and from 15,07% to 43.67% in 9 amputee subjects.