Classificação de gestos das mãos usando plataformas vestíveis baseadas em eletromiografia de superfície no antebraço e unidades inerciais

Trabalho de Conclusão de Curso (graduação)—Universidade de Brasília, Faculdade UnB Gama, 2018.Este trabalho propõe o estudo da eletromiografia de superfície (sEMG), com o auxílio de um bracelete disponível comercialmente, assim como a utilização de sensores inerciais magnetômetro, acelerômetro e giroscópio nele presentes para reconhecimento de movimentos realizados pela mão e pelo braço. É objetivo do trabalho, primeiramente, obter os sinais de forma a ser possível gerar gráficos ao longo do tempo de aquisição, também se deseja coletar de maneira padronizada os sinais dos movimentos já reconhecidos pelo dispositivo Myo para formar uma base de dados estruturada, passível de melhorias. Além dos movimentos presentes no dispositivo na configuração do dispositivo, também é objetivo captar, formar uma base de dados e padronizar a forma de aquisição dos sinais de outros movimentos realizados pelas mãos e antebraço, movimentos estes escolhidos a partir da análise de movimentos de possível utilização para controle de alguma prótese mecânica, robô ou outro dispositivo de controle. Os movimentos a serem classificados são os seguintes: mão fechada, mão aberta, mão à direita, mão à esquerda, duplo clique (polegar e dedo médio tocando-se duas vezes em curto intervalo de tempo), flexão do braço, extensão do braço, pronação do braço e supinação do braço. Por fim, será abordada uma técnica de reconhecimento de padrões com uma rede neural artificial, na qual serão aplicados modelos computacionais para se obter a melhor taxa de acerto entre o que fora classificado pela rede e os alvos corretos. Entre as abordagens estão a utilização da extração de características de energia, potência, transformada wavelets e matriz de co-ocorrência de níveis de cinza (GLCM). Os resultados serão expressos em taxas de acerto da melhor rede e gráficos do melhor conjunto de validação para cada cenário proposto.This work proposes the study of Surface Electromyography (sEMG), in other words, noninvasive, with the aid of a commercially available device, as well as the use of its inertial sensors to recognize hand and arm movements. The device used is the Myo Armband, which has eight myoelectric electrodes that extend around the forearm, proportionally apart from one another. The device also contains an Inertial Measurement Unit (IMU) such as acceletometer, magnetometer and gyroscope. These sensors capture myoelectric signals and motions which are sent through Bluetooth to a computer. Initially, this work aims at obtaining signals in a way that can be possible to generate graphs along the time of acquisition. It also aims at collecting motion data already recognized by the device in order to develop a structured data base liable to improvements. Therefore, a sequence of guidelines was generated in order to turn the data collection efficient and replicable. Besides the present movements already recognized by the device, it’s also objective of this work to capture, develop a data base and standardize the procedures to accquire other hands and forearm moviments, which were chosen after the analysis of possible movements used in controlling mechanical prosthesis, robot or other control devices. The movements to be classified are the following: closed hand, open hand, hand to the right, hand to the left, double-click (thumb and middle finger double-clicking in a short period of time), arm flexion, arm extension, arm pronation and supination.These movements will be explained throughout the present work to a better understanding of the gesture itself and its relevance for the classification process. Finally, a technique of patterns recognition will be used with an artificial neural network, in which will be applied computational models in order to obtain the best results within the target rate. The scenarios in which the data will be used are: only EMG data, EMG and IMU data, other classes of distinct signals. It will also be possible to obtain a comparative between different choices of neural network entrance characteristics, such as energy calculation and signal power, or even wavelet transform and application of the gray-level co-occurrence matrix (GLCM)