Eletromiografia para identificação de fadiga muscular usando algoritmos de aprendizado de máquina

Abstract

RESUMO: A fadiga muscular é um fenômeno que atua de maneira redutora em relação às capacidades de desempenho físico e psicológico de um determinado indivíduo, caracterizada pelo declínio do estado de alerta, concentração mental e demais fatores psicológicos. O objetivo deste estudo foi analisar a fadiga muscular através do sinal eletromiográfico (sEMG) utilizados para a caracterização e classificação do fenômeno, uma vez que, o sinal eletromiográfico está associado a uma classe e avalia as alterações nos padrões musculares em decorrência de uma fadiga muscular. Para o desenvolvimento do ensaio, foi utilizada uma base de dados pública, permitindo assim a observação dos dados de determinados indivíduos quando submetidos a um esforço muscular. Com o auxílio de algoritmos de classificação, foi possível a extração das características necessárias de cada sEMG. Além disso, a técnica de Aprendizado de Máquina criou as condições necessárias para se aprender um mapeamento geral do sEMG dos indivíduos do banco de dados utilizado. Com base na análise da pesquisa, destacamos como a modelagem baseada em Aprendizado de Máquina e a classificação da fadiga muscular podem ser profícuos para o entendimento do comportamento deste fenômeno, permitindo a projeção de possíveis cenários de detecção e prevenção.

ABSTRACT: Muscle fatigue is a phenomenon that acts in a reducing way in relation to the physical and psychological performance capacities of a given individual, characterized by a decline in alertness, mental concentration and other psychological factors. The aim of this study was to analyze muscle fatigue through the electromyographic signal (sEMG) used for the characterization and classification of the phenomenon, since the electromyographic signal is associated with a class and evaluates changes in muscle patterns as a result of muscle fatigue. For the development of the test, a public database was used, thus allowing the observation of data from certain individuals when submitted to muscular effort. How to use of classification algorithms, it was possible to extract the necessary characteristics of each sEMG. Furthermore, the Machine Learning technique created the necessary conditions to learn a general sEMG mapping of the individuals in the database used. Based on the research analysis, we highlight how modeling based on Machine Learning and the classification of muscle fatigue can be useful for understanding the behavior of this phenomenon, allowing the projection of possible detection and prevention scenarios.