Defesa Pública da Tese de Doutorado do Mestre em Engenharia Elétrica Juliano Costa Machado
Data: 30/11/2021 – terça-feira
Horário: 14h30min
A defesa será realizada através da plataforma Mconf com acesso pelo link: https://mconf.ufrgs.br/webconf/defesas-ieebio-ppgee
Link alternativo, no caso de falha do primeiro: https://meet.google.com/jsb-kyvy-zca
Banca Examinadora:
Prof. Dr. Leonardo Abdala Elias – Departamento de Eletrônica e Engenharia Biomédica / FEEC – UNICAMP (Relator)
Prof. Dr. Alexandre Rosa Franco – Departament of Psychiatry – NYU Langone Health
Prof. Dr. Altamiro Susin – PPGEE – UFRGS
Pesidente da banca/Orientador: Prof. Dr. Alexandre Balbinot – PPGEE – UFRGS
Título da tese:
“Uso de Redes Recorrentes para Identificação Automática de Contaminantes e para a Estimação de um Sensor Virtual de Eletromiografia no Contexto de um Sistema Tolerante a Falhas”
Resumo:
“O desenvolvimento de sistemas inteligentes controlados por eletromiografia que possam se adaptar a possíveis contaminações extrínsecas e intrínsecas, que afetem a taxa de acerto do classificador de movimentos, leva a dispositivos mais robustos e seguros, vistos que evitariam acionamentos indevidos e inesperados. Esse trabalho apresenta uma solução para contaminações por Artefato de Movimento, Ruído de Linha Elétrica, Ruído Branco Aditivo e ECG em 9 diferentes níveis de SNR, de -40dB a 40dB, utilizando Redes Neurais Recorrentes (RNR) com unidades LSTM nas duas etapas deste trabalho. A primeira etapa é o sistema de identificação da contaminação, que traz como inovação a identificação do contaminante diretamente do sinal bruto de sEMG, deixando para a rede a extração das características temporais, onde os resultados apontaram uma taxa de mais de 90% de acerto do tipo de contaminante para SNR = -30dB. A segunda etapa é a geração de um Sensor Virtual a partir de 7 estudos de caso em falhas de eletrodos, que traz como inovação a regressão do sinal retificado e suavizado por um filtro AVT. A geração do sensor virtual é realizada a partir dos canais não contaminados também utilizando uma RNR – LSTM com o objetivo de recuperar a taxa de acerto em 18 classes de um classificador Extreme Learning Machine (ELM), aplicado nas bases NinaPro e IEE. Os resultados indicaram que foi possível recuperar a taxa média de acerto para 2 canais contaminados com ruído branco aditivo em -30dB, de um total de 12 canais, de 7,28% para 68,34% em 4 indivíduos não amputados e de 15,07% para 43,67% em 9 indivíduos amputados.
Palavras-chave: processamento do sinal mioelétrico, Redes Neurais Recorrentes, Long Short-Time Memory (LSTM), contaminantes, análise qualidade, sensor virtual, sistema robusto a falhas, regressão, Extreme Learning Machine.”
