RECONHECIMENTO DE PADRÕES MIOELETRICOS DO MOVIMENTO DOS DEDOS DA MÃO UTILIZANDO REDES NEURAIS ARTIFICIAIS - Recognition of Myoeletric Patterns of Finger Motion Using Artificial Neural Network

Resumo

O objetivo deste trabalho é realizar o reconhecimento de padrões mioelétricos do movimento dos dedos da mão utilizando técnicas de processamento digital de sinais. Os sinais utilizados são provenientes de um banco de dados contendo seis classes de movimentos dos dedos da mão. Foram utilizadas ferramentas para extração de características do sinal mioelétrico no domínio do tempo e no domínio da frequência. No domínio do tempo foram calculados a raiz quadrada média, o valor retificado médio e o valor máximo absoluto do sinal. No domínio da frequência, foi aplicada ao sinal a Transformada de Fourier, calculando-se o espectro de densidade de potência e, posteriormente, a variável espectral frequência média. Com as características extraídas foi realizada a classificação dos movimentos dos dedos da mão, utilizando redes neurais artificiais. Com os resultados obtidos verificou-se que a rede neural MLP é uma técnica promissora em classificação de sinais mioelétricos alcançando no total 84,4% de acerto.

The goal of this paper is to make the recognition of myoelectric patterns of motion of the fingers using digital signal processing techniques. The signals used came from EMG database repository with signals related to six motions of the fingers. The tools used to extract features of the electromyography signals were in time domain and frequency domain. The root mean square (RMS), the average rectified value (ARV) and the maximum absolute value of the signals were calculated in the time domain. In the frequency domain, the Fourier Transform was applied to the signals, computing the power spectral density and afterwards the mean frequency of the signals. With features extracted was performed the classification of motion of the fingers, using multilayer perceptron neural network (MLP). The obtained results showed that the MLP neural network is a promising technique in myoelectric signals classification achieving in total 84,4% accuracy.