Análise e desenvolvimento de algoritmo de reconhecimento de padrão baseado em lógica paraconsistente para uso inconsistente e sua aplicação na classificação de movimentos do membro superior através de sinais mioelétricos

• Ano de defesa: 2019
• Autor(a) principal: Favieiro, Gabriela Winkler
• Orientador(a): Balbinot, Alexandre
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Eletromiografia; Lógica paraconsistente; Reconhecimento de padrões
• Palavras-chave em Inglês: Myoelectric signal; Pattern recognition; Paraconsistent random forest
• Palavras-chave em Espanhol: Paraconsistent logic
• Link de acesso: http://hdl.handle.net/10183/204512

Algoritmos de aprendizado de máquina, em especial os de reconhecimento de padrão, tem evoluído cada vez mais no campo cientifico. No entanto, a aplicação de tais algoritmos em sinais físicos é sempre um desafio, pois eventos indesejáveis podem ocorrer quando os sinais são adquiridos fora de um ambiente controlado. Dentre diversas aplicações, o reconhecimento de movimentos através de sinais de sEMG é especialmente complicado, pois os mesmos estão sujeitos a diversos tipos de contaminantes que podem degradar o sinal. Essas degradações alteram as características dos sinais mioelétricos, dificultando a capacidade dos algoritmos de reconhecimento de padrão em descriminar classes de movimento. Este trabalho apresenta contribuições no desenvolvimento de um algoritmo de reconhecimento de padrão que leva em consideração o tratamento desses sinais não-ideais. O método Paraconsistent Random Forest desenvolvido agrega as vantagens de classificadores híbridos, entre elas, a baixa suscetibilidade a ruído usando uma abordagem de Random Forest e a capacidade da Lógica Paraconsistente em lidar com dados inconsistentes em sua estrutura teórica sem invalidar suas conclusões. Diversas bases de dados padrão na área de aprendizagem de máquina foram utilizadas para validar o método, cujas taxas de acertos foram equiparáveis aos métodos tradicionais e se sobressaíram na classificação de bases de dados degradadas. O desempenho do método Paraconsistent Random Forest também foi avaliado na área de reconhecimento de movimentos do membro superior através de sinais mioelétricos. Vários procedimentos experimentais foram empregados para analisar a viabilidade e robustez do método quanto a contaminantes típicos da área de eletromiografia de superfície, como artefatos de movimento, ruído térmico e perda do contato eletrodo-pele. O método Paraconsistent Random Forest se mostrou promissor para o uso em contextos onde ocorrem degradação dos dados de entrada, apresentando um decréscimo inferior a 20% na predição dos movimentos em comparação aos métodos tradicionais que apresentaram, na mesma situação, decréscimos de até 90%, invalidando o modelo. Todos os experimentos foram validados estatisticamente utilizando conceito de projeto fatorial completo.