Defesa P\u00fablica da Tese de Doutorado do Mestre em Engenharia El\u00e9trica Juliano Costa Machado<\/p>\n\n\n\n
Data: 30\/11\/2021 \u2013 ter\u00e7a-feira Link alternativo, no caso de falha do primeiro: https:\/\/meet.google.com\/jsb-kyvy-zca<\/a><\/p>\n\n\n\n Banca Examinadora: T\u00edtulo da tese: Resumo: Palavras-chave: processamento do sinal mioel\u00e9trico, Redes Neurais Recorrentes, Long <\/em>Short-Time Memory (LSTM)<\/em>, contaminantes, an\u00e1lise qualidade, sensor virtual, sistema robusto a falhas, regress\u00e3o, Extreme Learning Machine<\/em>.”<\/p>\n","protected":false},"excerpt":{"rendered":" Defesa P\u00fablica da Tese de Doutorado do Mestre em Engenharia El\u00e9trica Juliano Costa Machado Data: 30\/11\/2021 \u2013 ter\u00e7a-feiraHor\u00e1rio: 14h30min A defesa ser\u00e1 realizada atrav\u00e9s 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 Eletr\u00f4nica e Engenharia Biom\u00e9dica \/ FEEC… Continue a ler »Defesa de Tese de Doutorado – Juliano Costa Machado<\/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-597","post","type-post","status-publish","format-standard","hentry","category-eventos"],"_links":{"self":[{"href":"https:\/\/www.ufrgs.br\/ppgee\/wp-json\/wp\/v2\/posts\/597","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=597"}],"version-history":[{"count":0,"href":"https:\/\/www.ufrgs.br\/ppgee\/wp-json\/wp\/v2\/posts\/597\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.ufrgs.br\/ppgee\/wp-json\/wp\/v2\/media?parent=597"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.ufrgs.br\/ppgee\/wp-json\/wp\/v2\/categories?post=597"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.ufrgs.br\/ppgee\/wp-json\/wp\/v2\/tags?post=597"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
Hor\u00e1rio: 14h30min
A defesa ser\u00e1 realizada atrav\u00e9s da plataforma Mconf com acesso pelo link: https:\/\/mconf.ufrgs.br\/webconf\/defesas-ieebio-ppgee<\/a> <\/p>\n\n\n\n
Prof. Dr. Leonardo Abdala Elias – Departamento de Eletr\u00f4nica e Engenharia Biom\u00e9dica \/ 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<\/p>\n\n\n\n
“Uso de Redes Recorrentes para Identifica\u00e7\u00e3o Autom\u00e1tica de Contaminantes e para a Estima\u00e7\u00e3o de um Sensor Virtual de Eletromiografia no Contexto de um Sistema Tolerante a Falhas”<\/p>\n\n\n\n
“O desenvolvimento de sistemas inteligentes controlados por eletromiografia que possam se adaptar a poss\u00edveis contamina\u00e7\u00f5es extr\u00ednsecas e intr\u00ednsecas, 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 solu\u00e7\u00e3o para contamina\u00e7\u00f5es por Artefato de Movimento, Ru\u00eddo de Linha El\u00e9trica, Ru\u00eddo Branco Aditivo e ECG em 9 diferentes n\u00edveis de SNR, de -40dB a 40dB, utilizando Redes Neurais Recorrentes (RNR) com unidades LSTM nas duas etapas deste trabalho. A primeira etapa \u00e9 o sistema de identifica\u00e7\u00e3o da contamina\u00e7\u00e3o, que traz como inova\u00e7\u00e3o a identifica\u00e7\u00e3o do contaminante diretamente do sinal bruto de sEMG, deixando para a rede a extra\u00e7\u00e3o das caracter\u00edsticas temporais, onde os resultados apontaram uma taxa de mais de 90% de acerto do tipo de contaminante para SNR = -30dB. A segunda etapa \u00e9 a gera\u00e7\u00e3o de um Sensor Virtual a partir de 7 estudos de caso em falhas de eletrodos, que traz como inova\u00e7\u00e3o a regress\u00e3o do sinal retificado e suavizado por um filtro AVT. A gera\u00e7\u00e3o do sensor virtual \u00e9 realizada a partir dos canais n\u00e3o contaminados tamb\u00e9m utilizando uma RNR – LSTM com o objetivo de recuperar a taxa de acerto em 18 classes de um classificador Extreme Learning Machine (ELM),<\/em> aplicado nas bases NinaPro e IEE. Os resultados indicaram que foi poss\u00edvel recuperar a taxa m\u00e9dia de acerto para 2 canais contaminados com ru\u00eddo branco aditivo em -30dB, de um total de 12 canais, de 7,28% para 68,34% em 4 indiv\u00edduos n\u00e3o amputados e de 15,07% para 43,67% em 9 indiv\u00edduos amputados.<\/p>\n\n\n\n