Gesture Recognition for Prosthesis Control using Electromyography and Force Myography based on Optical Fiber Sensors
Nome: FELIPE RAMIREZ CORTES
Data de publicação: 17/09/2025
Banca:
Nome |
Papel |
|---|---|
| CAMILO ARTURO RODRIGUEZ DIAZ | Presidente |
| JEAN CARLOS CARDOZO DA SILVA | Examinador Externo |
| MARCELO EDUARDO VIEIRA SEGATTO | Coorientador |
| MARIANA LYRA SILVEIRA | Examinador Interno |
Resumo: A amputação é a perda parcial ou total de um membro. É um evento desafiador que afeta
pessoas em todo o mundo, com uma prevalência estimada de 552,45 milhões em 2019 e
uma taxa crescente. A perda de um membro superior, em particular, afeta fortemente
a capacidade de uma pessoa realizar atividades da vida diária (AVD), comunicar-se e
interagir com seu ambiente. Para restaurar a funcionalidade perdida, foram desenvolvidos
dispositivos auxiliares conhecidos como próteses. As próteses ativas modernas podem ser
controladas interpretando a intenção de movimento do usuário por meio de vários sinais
biológicos, como a eletromiografia de superfície (sEMG), que mede a atividade elétrica dos
músculos. Embora a sEMG seja um método de controle estabelecido e predominante, ela
tem limitações. A forcemiografia (FMG) é uma técnica que mede as mudanças no volume
e na pressão muscular durante a contração. Ela surgiu como uma alternativa promissora,
oferecendo vantagens como maior estabilidade do sinal e menor sensibilidade a condições
da pele, como suor.
Esta tese de mestrado propõe e avalia um sistema de sensores híbrido que combina FMG
e sEMG para criar um método mais robusto e preciso para a classificação de gestos com
as mãos. O sistema integra um sensor FMG desenvolvido sob medida, que usa uma rede
de Bragg de fibra (FBG) incorporada em uma estrutura flexível impressa em 3D, com um
sensor sEMG comercial. O objetivo principal é melhorar o controle de próteses de mãos
reais e virtuais para amputados. O estudo envolveu a gravação de sinais de indivíduos sem
deficiências físicas enquanto realizavam tarefas envolvendo diferentes ângulos das mãos
e forças de preensão. Os dados do sEMG, FMG e do sistema híbrido combinados foram
usados para treinar e testar sete algoritmos diferentes de aprendizado de máquina, com o
conjunto de dados dividido em 80% para treinamento e 20% para teste.
Os resultados mostraram que a estratégia de detecção ideal depende da tarefa. Para a
classificação de ângulos, o sensor híbrido FMG-sEMG alcançou a maior precisão de 85,62%
com o classificador K-Nearest Neighbors (KNN). Para a classificação de força, o sensor
sEMG sozinho foi superior, atingindo uma precisão de 92,53% com uma Support Vector
Machine (SVM). Além disso, a viabilidade do sistema híbrido para aplicação em tempo real
foi validada em um ambiente de Realidade Virtual (VR), onde atingiu 99,83% de precisão na
classificação de gestos binários de abrir/fechar a mão. Esta pesquisa demonstra a natureza
complementar dos sinais FMG e sEMG, concluindo que uma abordagem multimodal pode
ser usada para desenvolver sistemas de controle mais sofisticados, confiáveis e intuitivos
para próteses de membros superiores, selecionando a melhor modalidade de detecção para
a tarefa desejada.
