Defesa P\u00fablica da Tese de Doutorado do Mestre em Engenharia El\u00e9trica VINICIUS HORN CENE<\/p>\n\n\n\n
Data: 20\/02\/2020 – quinta-feira
Hor\u00e1rio: 14h00min
Local: Sala 301-A do Instituto Eletrot\u00e9cnico da UFRGS (Av. Osvaldo Aranha, 103 – 2\u00ba andar – Campus Centro)
Banca Examinadora:
Prof. Dr. Fernando Santos Os\u00f3rio Instituto de Ci\u00eancias Matem\u00e1ticas e de Computa\u00e7\u00e3o – 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 Computa\u00e7\u00e3o Aplicada – UNISINOS
Prof. Dr. Altamiro Amadeu Susin – PPGEE – UFRGS
Prof. Dr. Valner Jo\u00e3o Brusamarello – PPGEE – UFRGS
Orientador: Prof. Dr. Alexandre Balbinot – PPGEE-UFRGS<\/p>\n\n\n\n
T\u00edtulo da tese: “M\u00c9TODOS DE CLASSIFICA\u00c7\u00c3O CONFI\u00c1VEL E RESILIENTE DE MOVIMENTOS DE MEMBROS SUPERIORES BASEADO EM EXTREME LEARNING MACHINES E SINAIS DE ELETROMIOGRAFIA DE SUPERF\u00cdCIE”
Resumo:
“Apesar de avan\u00e7os recentes, a classifica\u00e7\u00e3o confi\u00e1vel de sinais de eletromiografia de superf\u00edcie (sEMG) permanece uma tarefa \u00e1rdua sob a perspectiva de Aprendizagem de M\u00e1quina. Sinais de sEMG possuem uma sobreposi\u00e7\u00e3o de classes inerente \u00e0 sua natureza, o que impede a separa\u00e7\u00e3o perfeita das amostras e produz ru\u00eddos de classifica\u00e7\u00e3o. Alternativas ao problema geralmente baseiam-se na filtragem do sEMG ou m\u00e9todos de p\u00f3s-processamento como o Major-Voting, solu\u00e7\u00f5es estas que necessariamente geram atrasos na classifica\u00e7\u00e3o do sinal e frequentemente n\u00e3o geram melhoras substanciais. A abordagem deste trabalho baseia-se no desenvolvimento de m\u00e9todos confi\u00e1veis e resilientes sob a perspectiva de classifica\u00e7\u00e3o que gerem sa\u00eddas mais est\u00e1veis e consistentes para o classificador baseado em Extreme Learning Machines (ELM) utilizado. Para tanto, m\u00e9todos envolvendo o pr\u00e9-processamento e p\u00f3s-processamento, a suaviza\u00e7\u00e3o do arg max do classificador, thresholds adaptativos e um classificador bin\u00e1rio auxiliar foram utilizados. Os sinais classificados derivam de 12 canais de sEMG envolvendo tr\u00eas bases de dados diferentes onde 99 ensaios compostos pela execu\u00e7\u00e3o de 17 movimentos distintos do segmento m\u00e3o-bra\u00e7o foram realizados. Nos melhores resultados, os m\u00e9todos utilizados atingiram taxas de acerto m\u00e9dio global de 61,53 \u00b1 20,83% para a base de volunt\u00e1rios amputados, 83,37 \u00b1 7,84% para a base de volunt\u00e1rios n\u00e3o-amputados e taxas superiores a 99% para todas as varia\u00e7\u00f5es de diferentes ensaios que comp\u00f5e a base de dados adquirida em laborat\u00f3rio. J\u00e1 para a taxa de acerto m\u00e9dia ponderada por classes, nos melhores resultados foram de 46,47 \u00b1 19,31% para a base de volunt\u00e1rios amputados, 73,37 \u00b1 8,91% para a base de volunt\u00e1rios n\u00e3o-amputados e taxas superiores a 92% no melhor dos casos para os ensaios da base de dados adquirida em laborat\u00f3rio. Ambas as m\u00e9tricas de taxa de acerto consideradas superam alternativas descritas na literatura, utilizando abordagens que n\u00e3o demandam grandes mudan\u00e7as estruturais no classificador.<\/p>\n\n\n\n
Palavras-chave: EMG, Extreme Learning Machines, Classifica\u00e7\u00e3o Confi\u00e1vel, Classifica\u00e7\u00e3o Resiliente, Intera\u00e7\u00e3o Homem-M\u00e1quina. “<\/p>\n","protected":false},"excerpt":{"rendered":"
Defesa P\u00fablica da Tese de Doutorado do Mestre em Engenharia El\u00e9trica VINICIUS HORN CENE Data: 20\/02\/2020 – quinta-feiraHor\u00e1rio: 14h00minLocal: Sala 301-A do Instituto Eletrot\u00e9cnico da UFRGS (Av. Osvaldo Aranha, 103 – 2\u00ba andar – Campus Centro) Banca Examinadora:Prof. Dr. Fernando Santos Os\u00f3rio Instituto de Ci\u00eancias Matem\u00e1ticas e de Computa\u00e7\u00e3o – USP (Relator)Prof. Dr. Alexandre Rosa Franco… Continue a ler »Defesa de Tese de Doutorado do aluno Vinicius Horn Cene<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"neve_meta_sidebar":"","neve_meta_container":"","neve_meta_enable_content_width":"","neve_meta_content_width":0,"neve_meta_title_alignment":"","neve_meta_author_avatar":"","neve_post_elements_order":"","neve_meta_disable_header":"","neve_meta_disable_footer":"","neve_meta_disable_title":"","footnotes":""},"categories":[4],"tags":[],"class_list":["post-350","post","type-post","status-publish","format-standard","hentry","category-eventos"],"_links":{"self":[{"href":"https:\/\/www.ufrgs.br\/ppgee\/wp-json\/wp\/v2\/posts\/350","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.ufrgs.br\/ppgee\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.ufrgs.br\/ppgee\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.ufrgs.br\/ppgee\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.ufrgs.br\/ppgee\/wp-json\/wp\/v2\/comments?post=350"}],"version-history":[{"count":0,"href":"https:\/\/www.ufrgs.br\/ppgee\/wp-json\/wp\/v2\/posts\/350\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.ufrgs.br\/ppgee\/wp-json\/wp\/v2\/media?parent=350"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.ufrgs.br\/ppgee\/wp-json\/wp\/v2\/categories?post=350"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.ufrgs.br\/ppgee\/wp-json\/wp\/v2\/tags?post=350"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}