Comparação de Desempenho na Classificação de Sinais Mioelétricos com Deep Learning : Uma Abordagem Utilizando a Transformada Wavelet como Pré-Processamento de Dados

Abstract

A necessidade de compreender o funcionamento do corpo humano contribuiu muito para o amplo conhecimento que a sociedade detém atualmente. Os biossinais, ou sinais biológicos decorrentes das atividades internas dos seres vivos, fornecem informações valiosas sobre o funcionamento de vários parâmetros. A análise de tais sinais oferece uma melhor compreensão de diversos processos biológicos. Este estudo tem como objetivo classificar objetivamente os sinais eletromiográficos (EMG) de seis gestos de mão usados na reabilitação motora. O estudo utilizou três arquiteturas de rede neural: uma CNN, uma LSTM e uma combinação de CNN e LSTM. A Transformada Wavelet Discreta (DWT) também foi implementada como uma técnica de pré-processamento. O estudo teve como objetivo avaliar o desempenho de três arquiteturas diferentes com e sem a Transformada de Wavelet Discreta (DWT). Os resultados mostraram que, em ambos os casos, o modelo CNN+LSTM teve o melhor desempenho entre os três modelos, com a maior precisão obtida nos testes envolvendo a DWT. Especificamente, a precisão média e o desvio padrão nesse caso foram de 76,30% e 6,9%, respectivamente, enquanto os valores correspondentes para os testes sem DWT foram de 59,26% e 14,6%.

The need to comprehend the workings of the human body has greatly contributedtothe extensive knowledge that society currently holds. Biosignals, or biological signalsarising from internal activities of living beings, provide valuable insightsintothefunctioning of various parameters. The analysis of such signals offersabetterunderstanding of diverse biological processes. This study aims to objectivelyclassifyelectromyographic (EMG) signals from six hand gestures used in motor rehabilitation.The study utilized three neural network architectures: a CNN, an LSTM, andacombination of CNN and LSTM. The Discrete Wavelet Transform(DWT) wasalsoimplemented as a pre-processing technique. The study aimed to evaluatetheperformance of three different architectures with and without DiscreteWaveletTransform (DWT). The results showed that in both cases, the CNN+LSTMmodel performed the best among the three models, with the highest accuracy achievedinthe tests involving DWT. Specifically, the average accuracy and standarddeviationinthis case were 76.30% and 6.9%, respectively, while the correspondingvaluesforthe tests without DWT were 59.26% and 14.6%. Keywords: Signal Processing. Discrete Wavelet Transform. Deep Learning. sEMGSignals