Interface Multimodal com Predição de Movimentos para Uso em Reabilitação de Membros Inferiores

Submitted by Maykon Nascimento (maykon.albani@hotmail.com) on 2015-03-06T19:28:59Z No. of bitstreams: 2 license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) Dissertação Douglas Soprani.pdf: 12382633 bytes, checksum: 47ecc259e614e63704f16a4d7f45023c (MD5)Approved for entry into archive by Elizabete Silva (elizabete.silva@ufes.br) on 2015-03-23T18:59:35Z (GMT) No. of bitstreams: 2 license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) Dissertação Douglas Soprani.pdf: 12382633 bytes, checksum: 47ecc259e614e63704f16a4d7f45023c (MD5)Made available in DSpace on 2015-03-23T18:59:35Z (GMT). No. of bitstreams: 2 license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) Dissertação Douglas Soprani.pdf: 12382633 bytes, checksum: 47ecc259e614e63704f16a4d7f45023c (MD5) Previous issue date: 2015-03-06Esta dissertação apresenta o desenvolvimento de uma plataforma multimodal de aquisição e processamento de sinais. O projeto proposto insere-se no contexto do desenvolvimento de interfaces multimodais para aplicação em dispositivos robóticos cujo propósito é a reabilitação motora adaptando o controle destes dispositivos de acordo com a intenção do usuário. A interface desenvolvida adquire, sincroniza e processa sinais eletroencefalográficos (EEG), eletromiográficos (EMG) e sinais provenientes de sensores inerciais (IMUs). A aquisição dos dados é feita em experimentos realizados com sujeitos saudáveis que executam tarefas motoras de membros inferiores. O objetivo é analisar a intenção de movimento, a ativação muscular e o início efetivo dos movimentos realizados, respectivamente, através dos sinais de EEG, EMG e IMUs. Para este fim, uma análise offline foi realizada. Nessa análise, são utilizadas técnicas de processamento dos sinais biológicos e técnicas para processar sinais provenientes de sensores inerciais. A partir destes, os ângulos da articulação do joelho também são aferidos ao longo dos movimentos. Um protocolo experimental de testes foi proposto para as tarefas realizadas. Os resultados demonstraram que o sistema proposto foi capaz de adquirir, sincronizar, processar e classificar os sinais combinadamente. Análises acerca da acurácia dos classificadores utilizados mostraram que a interface foi capaz de identificar intenção de movimento em 76, 0 ± 18, 2% dos movimentos. A maior média de tempo de antecipação ao movimento foi obtida através da análise do sinal de EEG e foi de 716, 0±546, 1 milisegundos. A partir da análise apenas do sinal de EMG, este valor foi de 88, 34 ± 67, 28 milisegundos. Os resultados das etapas de processamento dos sinais biológicos, a medição dos ângulos da articulação, bem como os valores de acurácia e tempo de antecipação ao movimento se mostraram em conformidade com a literatura atual relacionada.This master thesis presents a multimodal platform for acquisition and signal processing. The proposed interface acquires, synchronizes and processes electroencephalographic (EEG) signals, electromiographic signals (EMG) and inertial sensors (IMUs) signals. The data acquisition is done in experiments with healthy subjects performing motor tasks of lower limbs. The objective is to analyze the movement intention, the muscle activation and the movement onset. To do so, an offline analysis was performed. In the analysis are shown EEG signal processing techniques, whose aim is to identify movement intention, and EMG signal techniques aiming at identifying the initial muscle activation. Techniques for processing signals from inertial sensors whose aim is to identify movement onset and measure the knee joint angles are also shown. An experimental protocol is proposed. The platform can be used in the development of interfaces for rehabilitation robotics devices aiming at adapting their control with respect to the patient’s intention. The results obtained showed that the system is capable to acquire, process and classify the signals synchronously. The movement intention was detected in 76, 0 ± 18, 2% of the movements. The movement antecipation achieved 716, 0 ± 546, 1 ms based on EEG signal and 88, 34 ± 67, 28 ms based on EMG signals. The results of the biological signal processing, the movement antecipation times, the accuracy of classifiers and joint angles measurements were in accordance with the currently related studies