Programa de Pós-Graduação em Engenharia Elétrica

O Programa de Pós-Graduação em Engenharia Elétrica – PPGEE, da Universidade Federal do Rio Grande do Sul – UFRGS, tem a satisfação de convidar a Comunidade Universitária para assistir à Defesa Pública da Tese de Doutorado do Mestre em Engenharia Elétrica VINICIUS HORN CENE, a realizar-se:

Data: 20/02/2020 – quinta-feira
Horário: 14 h
Local: Sala 301-A do Instituto Eletrotécnico da UFRGS (Av. Osvaldo Aranha, 103 – 2º andar – Campus Centro)
Banca Examinadora:

Prof. Dr. Fernando Santos Osório  Instituto de Ciências Matemáticas e de Computação – USP (Relator)
Prof. Dr. Alexandre Rosa Franco – “Center for Biomedical Imaging & Neuromodulation – The Nathan S. Kline Institute for Psychiatric Research” – EUA
Prof. Dr. Cristiano Bonato Both – PPG em Computação Aplicada – UNISINOS
Prof. Dr. Altamiro Amadeu Susin – PPGEE – UFRGS
Prof. Dr. Valner João Brusamarello – PPGEE – UFRGS

Orientador: Prof. Dr. Alexandre Balbinot – PPGEE-UFRGS

Título da tese: “MÉTODOS DE CLASSIFICAÇÃO CONFIÁVEL E RESILIENTE DE MOVIMENTOS DE MEMBROS SUPERIORES BASEADO EM EXTREME LEARNING MACHINES E SINAIS DE ELETROMIOGRAFIA DE SUPERFÍCIE”

Resumo:

“Apesar de avanços recentes, a classificação confiável de sinais de eletromiografia de superfície (sEMG) permanece uma tarefa árdua sob a perspectiva de Aprendizagem de Máquina. Sinais de sEMG possuem uma sobreposição de classes inerente à sua natureza, o que impede a separação perfeita das amostras e produz ruídos de classificação. Alternativas ao problema geralmente baseiam-se na filtragem do sEMG ou métodos de pós-processamento como o Major-Voting, soluções estas que necessariamente geram atrasos na classificação do sinal e frequentemente não geram melhoras substanciais. A abordagem deste trabalho baseia-se no desenvolvimento de métodos confiáveis e resilientes sob a perspectiva de classificação que gerem saídas mais estáveis e consistentes para o classificador baseado em Extreme Learning Machines (ELM) utilizado. Para tanto, métodos envolvendo o pré-processamento e pós-processamento, a suavização do arg max do classificador, thresholds adaptativos e um classificador binário auxiliar foram utilizados. Os sinais classificados derivam de 12 canais de sEMG envolvendo três bases de dados diferentes onde 99 ensaios compostos pela execução de 17 movimentos distintos do segmento mão-braço foram realizados. Nos melhores resultados, os métodos utilizados atingiram taxas de acerto médio global de 61,53 ± 20,83% para a base de voluntários amputados, 83,37 ± 7,84% para a base de voluntários não-amputados e taxas superiores a 99% para todas as variações de diferentes ensaios que compõe a base de dados adquirida em laboratório. Já para a taxa de acerto média ponderada por classes, nos melhores resultados foram de 46,47 ± 19,31% para a base de voluntários amputados, 73,37 ± 8,91% para a base de voluntários não-amputados e taxas superiores a 92% no melhor dos casos para os ensaios da base de dados adquirida em laboratório. Ambas as métricas de taxa de acerto consideradas superam alternativas descritas na literatura, utilizando abordagens que não demandam grandes mudanças estruturais no classificador”.
Palavras-chave: EMG, Extreme Learning Machines, Classificação Confiável, Classificação Resiliente, Interação Homem-Máquina.