PPGEE

Programa de Pós-graduação
em Engenharia Elétrica

UFRGS

Defesa Pública da Tese de Doutorado da Mestre em Engenharia Elétrica GABRIELA WINKLER FAVIEIRO:

Data:  11/10/2019 - sexta-feira
Horário: 14h30min
Local: Salão de Eventos do Instituto Eletrotécnico da UFRGS (Av. Osvaldo Aranha, 103 - 1º andar - Campus Centro)

Banca Examinadora:
Prof. Dr. Teodiano Freire Bastos Filho - PPGEE - UFES (Relator)
Prof. Dr. Fernando Santos Osório - Departamento de Sistemas de Computação - ICMC - USP
Prof. Dr. Alexandre Rosa Franco - Biomedical Imaging & Neuromodulation -The Nathan S. Kline Institute for Psychiatric Research (NY - EUA)
Prof. Dr. Altamiro Amadeu Susin - PPGEE - UFRGS
Prof. Dr. Valner João Brusamarello - PPGEE - UFRGS
Orientador: Prof. Dr. Alexandre Balbinot - PPGEE - UFRGS

Título da tese: "ANÁLISE E DESENVOLVIMENTO DE ALGORITMO DE RECONHECIMENTO DE PADRÃO BASEADO EM LÓGICA PARACONSISTENTE PARA USO EM CONTEXTOS INCONSISTENTES E SUA APLICAÇÃO NA CLASSIFICAÇÃO DE MOVIMENTOS DO MEMBRO SUPERIOR ATRAVÉS DE SINAIS MIOELÉTRICOS"

Resumo:
"Algoritmos de aprendizado de máquina, em especial os de reconhecimento de padrão, tem evoluído cada vez mais no campo cientifico. No entanto, a aplicação de tais algoritmos em sinais físicos é sempre um desafio, pois eventos indesejáveis podem ocorrer quando os sinais são adquiridos fora de um ambiente controlado. Dentre diversas aplicações, o reconhecimento de movimentos através de sinais de sEMG é especialmente complicado, pois os mesmos estão sujeitos a diversos tipos de contaminantes que podem degradar o sinal. Essas degradações alteram as características dos sinais mioelétricos, dificultando a capacidade dos algoritmos de reconhecimento de padrão em descriminar classes de movimento. Este trabalho apresenta contribuições no desenvolvimento de dois algoritmos de reconhecimento de padrão que levam em consideração o tratamento desses sinais não-ideais. Ambos os métodos são baseados na Lógica Paraconsistente, que é uma lógica não clássica, admitindo o emprego desses sinais em sua estrutura teórica sem invalidar suas conclusões. No primeiro caso, propôs-se uma Rede de Análise Paraconsistente com uma topologia que utilizasse exclusivamente a Lógica Paraconsistente na classificação de movimentos do membro superior. Após as análises preliminares do método, foi concluído que a lógica paraconsistente foi bem-sucedida em tratar sinais mioelétricos para a classificação de 17 movimentos de segmento mão-braço. No entanto, foi observada a necessidade de utilizar um algoritmo mais adaptável a diferentes configurações e aplicações. O segundo método, Paraconsistent Random Forest, desenvolvido neste trabalho, agrega as vantagens de classificadores híbridos, entre elas, a baixa suscetibilidade a ruído usando uma abordagem de Random Forest e a capacidade da Lógica Paraconsistente em lidar com dados não-ideais. Além disso, essa hibridização das técnicas aumenta o poder representativo das Árvores de Decisão e sua aplicabilidade em contextos vagos ou contraditórios. O método Paraconsistent Random Forest foi validado empregando diversas bases de dados padrão na área de aprendizagem de máquina obtendo taxas de acertos equiparáveis aos métodos tradicionais e se sobressaindo na classificação de bases de dados
degradadas. O desempenho do método Paraconsistent Random Forest também foi avaliado na área de reconhecimento de movimentos do membro superior através de sinais mioelétricos. Vários procedimentos experimentais foram empregados para analisar a viabilidade e robustez do método quanto a contaminantes típicos da área de eletromiografia de superfície, como artefatos de movimento, ruído térmico e perda do contato eletrodo-pele. O método Paraconsistent Random Forest se mostrou promissor para o uso em contextos onde ocorrem degradação dos dados de entrada, apresentando um decréscimo inferior a 20% na predição dos movimentos em comparação aos métodos tradicionais que apresentaram, na mesma situação, decréscimos de até 90%, invalidando o modelo. Todos os experimentos foram validados estatisticamente utilizando conceito de projeto fatorial completo.

Palavras-chave: Sinais Mioelétricos. Lógica Paraconsistente. Reconhecimento de padrão. Paraconsistent Random Forest. "