Aplicação de algoritmos de seleção de características na classificação de movimentos do segmento mão-braço através do processamento de sinais sEMG
Visualizar/abrir
Data
2018Autor
Orientador
Nível acadêmico
Mestrado
Tipo
Assunto
Resumo
É desafiador obter taxas de acerto elevadas no que cerne a tarefa de classificar movimentos do segmento mão braço a partir de sinais de sEMG. Inúmeros trabalhos têm sido desenvolvidos nessa área explorando a filtragem do sinal, extração de características e classificador, porém muito poucos atacam o problema sob o aspecto da seleção de características. O presente trabalho visa implementar três algoritmos diferentes de seleção de características para classificação de tais sinais: Support Vector ...
É desafiador obter taxas de acerto elevadas no que cerne a tarefa de classificar movimentos do segmento mão braço a partir de sinais de sEMG. Inúmeros trabalhos têm sido desenvolvidos nessa área explorando a filtragem do sinal, extração de características e classificador, porém muito poucos atacam o problema sob o aspecto da seleção de características. O presente trabalho visa implementar três algoritmos diferentes de seleção de características para classificação de tais sinais: Support Vector Machine Recursive Feature Elimination (SVM-RFE), Monte Carlo Feature Selection, e Singular Value Decomposition (SVD) Entropy. Para a referida análise foram utilizados sinais da Base de Dados internacional Ninapro e também foram adquiridos sinais no laboratório de Instrumentação Eletro-eletrônica (IEE). Para o estágio de classificação foi utilizado o método Regularized Extreme Learning Machine (RELM). Contudo, o algoritmo proposto consiste em 4 etapas fundamentais. Primeiramente, 13 características foram extraídas dos sinais de sEMG: 11 no domínio do tempo e duas no domínio da frequência. A correlação entre todas as 156 características obtidas (12 canais x 13 características) foi analisada e retirou-se do conjunto as que apresentaram correlação superior a 0,9. Na sequência, as que restaram da etapa anterior foram ranqueadas a partir dos 3 métodos de seleção de características supracitados. Por fim, o conjunto ordenado de características passou pelo estágio de classificação onde determinou-se o melhor grupo dentre elas. Como resultado, obteve-se taxa de acerto média de 85,42% para a Base 2 Ninapro, 77,46% para a Base 3 Ninapro e 86,74% para a Base do IEE. ...
Abstract
It is challenging to obtain high classification rates in the task of classifying hand-arm segment movements by sEMG signals analysis. Several works have been developed in this area exploring signal filtering, feature extraction and classifier, but very few of them faces the problem under the feature selection point of view. The present work aims to implement three different feature selection algorithms to classify such signals: Support Vector Machine Recursive Feature Elimination (SVM-RFE), Mon ...
It is challenging to obtain high classification rates in the task of classifying hand-arm segment movements by sEMG signals analysis. Several works have been developed in this area exploring signal filtering, feature extraction and classifier, but very few of them faces the problem under the feature selection point of view. The present work aims to implement three different feature selection algorithms to classify such signals: Support Vector Machine Recursive Feature Elimination (SVM-RFE), Monte Carlo Feature Selection, and Singular Value Decomposition (SVD) Entropy. For this analysis, signals from the International Ninapro Database were used, and additionally it was acquired signals in the Electro-Electronic Instrumentation (IEE) Laboratory. For classification stage, it was used the Regularized Extreme Learning Machine (RELM) method. However, the proposed algorithm consists of 4 fundamental steps. First, 13 characteristics were extracted from the sEMG signals: 11 in the time domain and two in the frequency domain. The correlation between all 156 features obtained (12 channels x 13 characteristics) was analyzed and those which presented a correlation value above 0,9 were removed from the set. In sequence, the remaining features were ranked by the above mentioned feature selection methods. Finally, the ordered set of features pass through the classification stage where the best group among them was determined. As a result, the mean classification rate obtained was 85,42% for Ninapro Database 2, 77,46% for Ninapro Database 3 and 86,74% for IEE Database. ...
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)