Máquina de vetores de suporte embarcada em hardware para classificação de sinais mioelétricos
Visualizar/abrir
Data
2019Autor
Orientador
Nível acadêmico
Mestrado
Tipo
Assunto
Resumo
Sinais mioelétricos são foco de muitos estudos que visam melhorar a capacidade motora de pessoas amputadas ao proporem próteses eletromecânicas cada vez mais inteligentes. Técnicas de aprendizado de máquina são aplicadas a estes sinais e sistemas que preveem movimentos com taxa de acerto acima de 90% para alguns sujeitos são encontrados na literatura. Para atingir estas altas taxas de acerto, porém, o algoritmo de aprendizado deve treinar por minutos ou horas, tempo que acompanha toda e qualque ...
Sinais mioelétricos são foco de muitos estudos que visam melhorar a capacidade motora de pessoas amputadas ao proporem próteses eletromecânicas cada vez mais inteligentes. Técnicas de aprendizado de máquina são aplicadas a estes sinais e sistemas que preveem movimentos com taxa de acerto acima de 90% para alguns sujeitos são encontrados na literatura. Para atingir estas altas taxas de acerto, porém, o algoritmo de aprendizado deve treinar por minutos ou horas, tempo que acompanha toda e qualquer calibração e que prejudica a popularização de sistemas realimentados nesta área. Com o objetivo de acelerar o processo de treinamento, este trabalho propõe embarcar o sistema em uma FPGA pois estudos mostram que tem capacidade de reduzir o tempo necessário para aprendizado, e sistemas em hardware são pouco explorados pela literatura especializada. O sistema proposto consiste no desenvolvimento de módulos em VHDL para o filtro digital, extração de características, treinamento de Máquinas de Vetores de Suporte, validação e classificação embarcados na FPGA. Ensaios com a base de dados Ninapro indicam taxas de acerto acima de 70% no aprendizado de 10 movimentos executados por alguns sujeitos não amputados após o curto período de tempo de 10 s de treinamento, e acima de 50% quando os movimentos são executados por alguns sujeitos amputados. Estas taxas são inferiores às obtidas em estudos feitos em computadores, onde os recursos de processamento e memória são abundantes, porém, possui as vantagens de portabilidade, possibilitar calibração rápida com treinamento em menos de 10 s, e estar preparado para sistemas realimentados. A velocidade de aprendizado do sistema é aproximadamente 1,76 épocas/ms. ...
Abstract
Myoelectric signals are the focus of many studies that aim to improve the motor capacity of amputees by proposing increasingly intelligent electromechanical prostheses. Machine learning techniques are applied to these signals and systems that predict movements with accuracy above 90% for some subjects are proposed. In order to achieve these high classification rates, however, the learning algorithm must train for minutes or hours, time that follows any and all calibration and makes feedback sys ...
Myoelectric signals are the focus of many studies that aim to improve the motor capacity of amputees by proposing increasingly intelligent electromechanical prostheses. Machine learning techniques are applied to these signals and systems that predict movements with accuracy above 90% for some subjects are proposed. In order to achieve these high classification rates, however, the learning algorithm must train for minutes or hours, time that follows any and all calibration and makes feedback systems unfeasible. In order to accelerate the training process, this work proposes to embed the system in a FPGA since studies show that it has the capacity to reduce the time required for learning, and hardware systems are little explored in the literature. The proposed system consists of digital filtering, feature extraction, support vector machine training, validation and classification embedded in the FPGA. Experiments with the Ninapro database indicate accuracy rates above 70% in the classification of 10 movements performed by some non-amputated subjects after 10 s of training, and over 50% when performed by some amputees. These rates are lower than those obtained in computer studies, where processing and memory resources abound, but have the advantages of portability, enabling quick calibration with training in less than 10 s, and being prepared to feedback systems. The system learning speed is approximately 1.76 epochs/ms. ...
Instituição
Universidade Federal do Rio Grande do Sul. Escola de Engenharia. Programa de Pós-Graduação em Engenharia Elétrica.
Coleções
-
Engenharias (7386)Engenharia Elétrica (454)
Este item está licenciado na Creative Commons License
![](/themes/Mirage2Novo//images/lume/cc.png)