PPGEE

Programa de Pós-graduação
em Engenharia Elétrica

UFRGS

Defesa Pública do Exame de Qualificação para Doutorado do aluno JULIANO COSTA MACHADO

Data: 27 de março de 2019  - quarta-feira
Horário: 14h00min
Local: Salão de Eventos do Instituto Eletrotécnico da UFRGS (Av. Osvaldo Aranha, 103 - 1º andar - Campus Centro)

Banca examinadora:
Prof. Dr. Fernando Santos Osório - Departamento de Sistemas de Computação - USP

Prof. Dr. Cristiano Bonato Both - Programa de Pós-Graduação em Computação Aplicada - UNISINOS

Prof. Dr. Altamiro Amadeu Susin - PPGEE - UFRGS
Orientador:  Prof. Dr. Alexandre Balbinot  - PPGEE - UFRGS

Título da Proposta de Tese: "PROPOSTA PARA O USO DE REDES RECORRENTES NA ESTIMAÇÃO DE UM SENSOR VIRTUAL EM ELETROMIOGRAFIA NO CONTEXTO DE UM SISTEMA TOLERANTE A FALHAS "

Resumo:
"Estudos para desenvolvimento de próteses com controle mioelétrico ainda não conseguiram obter modelos que permitam um controle natural e intuitivo, pois as abordagens mais populares através de classificação por Reconhecimento de Padrões (RP) não levam em consideração, muitas vezes, as mudanças fisiológicas do usuário ou do ambiente em que ele se encontra, muitas vezes diferentes das condições controladas geradas em laboratório. Muitas razões podem levar a falha de um sistema baseado em RP, e uma delas é a contaminação dos sinais obtidos através de eletromiografia de superfície (sEMG) por diferentes tipos de ruído ou defeitos no sistema de aquisição. Uma forma de tornar o sistema robusto à falha por contaminantes ou outros problemas que impeçam o acesso ao sinal captado pelo eletrodo, é o uso de um sensor virtual para estimar a medida indisponível através de outras variáveis do sistema. A proposta deste trabalho é desenvolver um sistema que tenha capacidade de identificar um conjunto específico de contaminantes e estimar a saída do canal contaminado utilizando os dados dos canais íntegros através de uma Rede Neural Recorrente (RNR) composta por neurônios tipo Long Short-Time Memory (LSTM) para classificação de movimentos do segmento mão-braço utilizando uma Máquina de Vetor Suporte (Support Vector Machine – SVM) funcionando de forma online, sem a necessidade de recalibração ou retreinamento do sistema. O modelo proposto para esta tese está em fase inicial e até o presente momento foi realizada um estudo de viabilidade do uso da RNR-LSTM com uma SVM para classificação de 17 movimentos diferentes da base de dados pública NinaPro, onde um sinal degradado por saturação reduziu uma taxa de acerto média de 73,96% para até 6,28% e o sensor virtual conseguiu recuperar para 68,36%. Também foi realizado um estudo da arquitetura RNR-LSTM referente ao número de neurônios LSTM e tipos de características, utilizando a Raíz do Erro Médio Quadrático Normalizado (NRMSE) como métrica para avaliar a regressão em 2 indivíduos da base de dados NinaPro. Este estudo demonstrou que as características Waveform Length (WL) e Maximum Fractal Length (MFL) possuem os menores (NRMSE) e a característica de potência (PWR) possui o maior. Também foi observado que um conjunto de 100 neurônios LSTM na camada oculta da RNR é adequado como ajuste inicial, para a determinação dos outros parâmetros da RNR-LSTM.
 
Palavras-chave: processamento do sinal mioelétrico, processamento online, Redes Neurais Recorrentes, Long Short-Time Memory (LSTM), sensor virtual, sistema robusto a falhas, regressão, Support Vector Machines (SVM). "