PPGEE

Programa de Pós-graduação
em Engenharia Elétrica

UFRGS

Defesa Pública da Dissertação de Mestrado do Engenheiro Eletricista Mariano Majolo, a realizar-se:

Data: 12/07/2019 - sexta-feira
Horário: 14h00min
Local: Salão de Eventos do Instituto Eletrotécnico da UFRGS (Av. Osvaldo Aranha, nº 103 - 1º andar - Campus Centro)

Banca examinadora:
Prof. Dr. Francisco Fraga, Centro de Engenharia e Ciências Sociais Aplicadas CECS - UFABC
Prof. Dr. Raphael Martins Brum, DELET-UFRGS
Prof. Dr. Altamiro Amadeu Susin, PPGEE-UFRGS
Orientador: Prof. Dr. Alexandre Balbinot - PPGEE - UFRGS

Título da Dissertação: "MÁQUINA DE VETORES DE SUPORTE EMBARCADA EM HARDWARE PARA CLASSIFICAÇÃO DE SINAIS MIOELÉTRICOS"

Resumo:

"Sinais mioelétricos são foco de muitos estudos que visam melhorar a capacidade motora de pessoas amputadas ao propor próteses eletromecânicas cada vez mais inteligentes. Estudos aplicam técnicas de aprendizado de máquina a estes sinais e propõem sistemas que preveem movimentos com taxa de acerto acima de 90% para alguns sujeitos. Para atingir estas altas taxas de acerto, porém, o algoritmo de aprendizado deve treinar por minutos ou horas, tempo que acompanha toda e qualquer calibração e que prejudica a popularização de sistemas realimentados nesta área. Com o objetivo de acelerar o processo de treinamento, este trabalho propõe embarcar o sistema em uma FPGA já que estudos mostram que tem capacidade de reduzir o tempo necessário para aprendizado, e sistemas em hardware são pouco explorados pela literatura especializada. O sistema proposto consiste no desenvolvimento de módulos em VHDL para o filtro digital, extração de características, treinamento de Máquinas de Vetores de Suporte, validação e classificação embarcados na FPGA. Ensaios com a base de dados Ninapro indicam taxas de acerto acima de 70% no aprendizado de 10 movimentos executados por alguns sujeitos não amputados após 10 s de treinamento, e acima de 50% quando os movimentos são executados por alguns sujeitos amputados. O sujeito que obteve as maiores taxas de acerto foi o sujeito 33 da base de dados, com os valores de 74,6% e 78,5% após 75 ms e 10 s de treinamento respectivamente. Apesar das taxas de classificação obtidas serem inferiores às observadas na literatura, o sistema se mostra promissor pela sua velocidade de aprendizado (~1,76 épocas/ms) e pelos vários pontos que ainda podem ser explorados com o objetivo de aumentar a taxa de acerto.

Palavras-chave: sEMG, SVM, Inteligência Computacional Embarcada, FPGA."