Electromyographic signal processing using machine learning and entropy

Abstract

O sinal eletromiográfico é utilizado em diversas áreas da Medicina e da Biologia e tem sido uma opção cada vez mais explorada para o controle de próteses robóticas. Atualmente, várias próteses manuais comerciais utilizam uma malha de controle sequencial, o que torna o movimento da prótese menos fluido e dependente de sensores externos para a execução dos movimentos. Este trabalho teve como objetivo desenvolver métodos que usam sinais de eletromiografia de superfície (sEMG) para melhorar o controle em tempo real das próteses de mão. O objetivo era usar métodos para extrair características, classificar padrões em sEMG e empregar treinamento adaptativo para reconhecer movimentos das mãos com vários graus de liberdade, aumentando assim o conforto do usuário e dando naturalidade ao movimento. Os métodos propostos permitiram o reconhecimento efetivo dos movimentos das mãos por meio de várias estratégias que permitiram simplificar o processo de reconhecimento e reduzir o comprimento da janela móvel usual no processamento da EMG. Os classificadores foram desenvolvidos e testados nas bases de dados disponíveis na plataforma Open Source BioPatRec; a linguagem usada para os algoritmos foi python, com o auxílio das bibliotecas Scikit-learn, ScyPy e Tensorflow. Vários indicadores estatísticos têm sido aplicados para avaliar o reconhecimento de padrões, tanto offline quanto online, e os resultados têm mostrado melhora significativa no processo de reconhecimento de padrões em tempo real, sugerindo que os métodos têm bom potencial para uso futuro em próteses robóticas.