Reconhecimento de gestos de membros superiores usando eletromiografia de superfície para uso em reabilitação

Abstract

Tecnologias vestíveis são um dos focos de estudo da computação ubíqua, que por sua vez está na vanguarda do recente paradigma da computação em que um usuário está cercado por diversos dispositivos computacionais. As áreas de cuidados para a saúde e reabilitação vêm sendo estimuladas por novas tecnologias vestíveis surgindo no mercado e por pesquisas acadêmicas conduzidas mundialmente. Este trabalho se insere justamente neste contexto com o uso de um dispositivo vestível para obtenção de dados de eletromiografia de superfície para o desenvolvimento de uma tecnologia de reconhecimento de gestos de mão e propondo um algoritmo inovador para clusterização, treinamento e classificação multi classe. Terapias de reabilitação de movimento de membro superior que utilizam gestos do membro contralateral necessitam de métodos eficientes, rápidos e de fácil configuração para reconhecimento de gestos que possam ser utilizados em interfaces inteligentes, para a estimulação do membro parético, fazendo uso da imagética motora que resulta no movimento do membro saudável como estratégia de terapia para o membro lesionado. O objetivo deste trabalho é aplicar um sistema de aquisição de eletromiografia (EMG) multicanal econômico e de fácil utilização, bem como avaliar seu desempenho de reconhecimento de gestos em um protocolo onde nenhum procedimento de inicialização seja necessário antes do uso. Dados de EMG do antebraço gerados a partir do movimento das mãos são analisados de forma a extrair a informação mais relevante para a classificação de gestos previamente determinados. Um algoritmo é apresentado e se utiliza um arranjo das ferramentas, iniciando com a análise das componentes principais (PCA) para selecionar as características mais relevantes que foram extraídas do sinal de EMG, clusterização por k-means utilizando os dados projetados sobre suas componentes principais com o objetivo de encontrar os centróides que representem as regiões de cada gesto, árvore binária multimodal (MBT) de forma a permitir que o problema de classificação multi modal fosse particionado em problemas menos complexos, e máquina de vetor de suporte (SVM) como metodologia para separação binária de classes, todas estas técnicas combinadas de maneira a aprimorar o treinamento e classificação do reconhecedor. O classificador de 5 gestos criado com tal metodologia apresenta taxa de acerto média de 81% em tempo real, demonstrando potencial para investigação futura em aplicações de interface baseada em dados de sEMG, bem como em reabilitação. Já o classificador de 9 gestos apresenta taxa média de acerto de 46%, o que mostra que este reconhecedor necessita de mais dados para esta tarefa devido à similaridade dos dados de EMG entre eles.