UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL ESCOLA DE ENGENHARIA DEPARTAMENTO DE ENGENHARIA ELÉTRICA Nibele Rodrigues ANÁLISE DE MOVIMENTOS DO SEGMENTO MÃO-BRAÇO UTILIZANDO LÓGICA FUZZY Porto Alegre 2017 Nibele Rodrigues ANÁLISE DE MOVIMENTOS DO SEGMENTO MÃO-BRAÇO UTILIZANDO LÓGICA FUZZY Projeto de Diplomação apresentado ao Depar- tamento de Engenharia Elétrica da Univer- sidade Federal do Rio Grande do Sul, como parte dos requisitos para Graduação em En- genharia Elétrica. Orientador: Prof. Dr. Alexandre Balbinot Porto Alegre 2017 Nibele Rodrigues ANÁLISE DE MOVIMENTOS DO SEGMENTO MÃO-BRAÇO UTILIZANDO LÓGICA FUZZY Projeto de Diplomação apresentado ao Depar- tamento de Engenharia Elétrica da Univer- sidade Federal do Rio Grande do Sul, como parte dos requisitos para Graduação em En- genharia Elétrica. Prof. Dr. Eng. Alexandre Balbinot UFRGS Profa. Dra. Enga. Leia Bagesteiro Trabalho aprovado em: ____/____/________ Banca Examinadora: Mea. Enga. Karina Moura - U.F.R.G.S. _____________________ Me. Eng. Vinicius Cene - U.F.R.G.S. ______________________ Profa. Dra. Enga. Leia Bagesteiro - U.F.R.G.S __________________ Porto Alegre 2017 À minha mãe que não tomou café da tarde na mesa. Agradecimentos Agradeço principalmente à minha família, minha mãe por ter me dado as condições de chegar até aqui, minha irmã pelo suporte incondicional e aos meus sobrinhos pelo amor e carinho. Agradeço também aos meus amigos, em especial a Franciele Prietsch, Wagner Cuty, Gabriela Zanin, Heider Carlos, Isnei Junior e Priscila Ben por estarem sempre ao meu lado, indicando o melhor caminho. Aos meus colegas de curso e também amigos Braian, Fábio, Felipe Saraiva, Felipe Marques, Thamys e Derek . Por sofrerem e lutarem junto comigo nas adversidades que este curso pode proporcionar, sou muito grata por ter tido vocês como colegas. Um agradecimento também aos meus colegas de trabalho, pelos ouvidos atentos e braços abertos. Aos grandes funcionários e professores deste departamenteo, que embora existam em pequeno número, se sobresaem aos demais. Ao meu orientador, um agradecimento especial pela paciência, apoio e busca pela qualidade . Resumo Eletromiografia de Superfície (sEMG) é a captação dos sinais elétricos originários dos músculos ao serem comandados pelo cérebro, sendo assim, estes dados podem ser utilizados para identificar qual foi a intenção de um determinado movimento realizado por um sujeito. Desta forma, o objetivo deste trabalho é utilizar sinais de sEMG para analisar movimentosdosegmentomão-braçoutilizandológicadedecisãoFuzzy.Osdadosutilizados são da base de dados NINAPRO que possui informações de 12 canais de eletrodos posicionados no segmento mão-braço, foram avaliados 12 sujeitos (6 amputados e 6 intactos) e 5 movimentos diferentes. A segmentação do sinal é feita através do método de detecção de limiar, a característica avaliada pelo algoritmo é a tensão elétrica RMS dos segmentos ativos e o agrupamento dos dados foi realizado através do Fuzzy C −means Clustering. O processamento dos dados é realizado pelo Sistema de Inferência Fuzzy com entradas Fuzzyficadas por três funções de pertinência do tipo Gaussiana e uma saída correspondente ao movimento realizado. Foram implementadas 1322 regras para o sistema e a taxa de acerto médio global resultante para todos os movimentos da base, sob a melhor configuração do Sistema de Inferência, foi de 77%. Para os 5 movimentos de interesse obteve-se taxa de acerto médio de 84% a 97%, ao passo que para os movimentos que não são de interesse deste trabalho, ou seja, cujas regras Fuzzy não foram não foram especificadas para identificar, resultaram em uma taxa média de 72%. Palavras-chave: Sinais Mioelétricos de Superfície (sEMG). Movimentos do Segmento Mão-Braço. Classificação de Movimentos por Lógica Fuzzy. Agrupamento Fuzzy. Abstract Surface Eletromiography (SEMG) is the measurement of electrical signals originated from the muscle when they are commanded by the brain, as a result, those data could be used to identify which movement was intended by a subject. Therefore, the objective of this work is to use the SEMG signals to analyze hand-wrist movements using Fuzzy decision logic. The used data were from the database NINAPRO, that has the information from 12 electrode channels positioned in the hand-wrist region, 12 subjects were evaluated (6 amputees and 6 intact) and 5 different movements. The signal segmentation is made through threshold detection, the characteristic evaluated by the algorithm is RMS voltage from each active segment and the cluster data were made through ,Fuzzy C −Means Clustering. The data processing is made by the Fuzzy Inference System with Fuzzyfied inputs by three Gaussian type membership functions and one output corresponding to the performed movement. There were implemented 1322 rules to the system and the mean global success rate for all the sub-database movements, using the best Fuzzy Inference System configuration, was 77%. For the 5 moviments of interest the mean sucess rate was from 84% until 97%, in contrast with the no-interest movements in this work, in other words, the ones that the Fuzzy rules were not specified to Identify, result in a success rate of 72%. Par Keywords: Superficial Mioeletric Signals (sEMG). Hand-wrist Movements. Movement classification with Fuzzy Logic. Fuzzy Clustering. Lista de Figuras Figura 1 – Constituição Neurônio Motor. . . . . . . . . . . . . . . . . . . . . . . . 18 Figura 2 – Etapas de ocorrência do potencial de ação. . . . . . . . . . . . . . . . . 20 Figura 3 – Placa Motora. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 Figura 4 – Músculo Esquelético: fascículos e fibras musculares. . . . . . . . . . . . 22 Figura 5 – Retículo Sarcoplasmático. . . . . . . . . . . . . . . . . . . . . . . . . . 23 Figura 6 – Composição de um sarcômetro. . . . . . . . . . . . . . . . . . . . . . . 24 Figura 7 – Exemplo de sEMG no domínio do tempo. . . . . . . . . . . . . . . . . 26 Figura 8 – Exemplo de sEMG no domínio da frequência. . . . . . . . . . . . . . . 26 Figura 9 – Função Pertinência Triangular (x;1,5,9). . . . . . . . . . . . . . . . . . 29 Figura 10 – Função Pertinência Trapezoidal (x;3,4,6,7). . . . . . . . . . . . . . . . . 30 Figura 11 – Função Pertinência Gaussiana (x;2,5). . . . . . . . . . . . . . . . . . . 30 Figura 12 – Função Pertinência Bell (x;2,5,2,5). . . . . . . . . . . . . . . . . . . . . 31 Figura 13 – Exemplo da Implicação das saídas pelo método de mínimo (ou min). . 34 Figura 14 – Exemplo da Implicação das saídas pelo método de produto (ou prod). . 34 Figura 15 – Exemplo de métodos de Agregação: a)max; b)sum e c)probor. . . . . . 35 Figura 16 – Lógica de decisão Fuzzy com método Mandani. . . . . . . . . . . . . . 36 Figura 17 – Lógica de decisão Fuzzy com método Sugeno. . . . . . . . . . . . . . . 36 Figura 18 – ExemplificaçãográficadosmétodosdeDefuzzyficação:centroid,bisector, mom, lom e som. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 Figura 19 – Diagrama da Etapa de Pré-Processamento. . . . . . . . . . . . . . . . . 40 Figura 20 – Sinal dividido em janelas de 500ms. . . . . . . . . . . . . . . . . . . . . 43 Figura 21 – Fluxograma da Segmentação por detecção de limiar do sinal. . . . . . . 45 Figura 22 – Exemplo do procedimento de segmentação por detecção de limiar. . . . 47 Figura 23 – Movimentos da Base de dados NINAPRO. . . . . . . . . . . . . . . . . 48 Figura 24 – Diagrama do processamento do Sinal. . . . . . . . . . . . . . . . . . . . 50 Figura 25 – Fluxograma para determinar o valor RMS por segmento. . . . . . . . . 51 Figura 26 – Fluxograma do algoritmo de Clustering FCM. . . . . . . . . . . . . . 53 Figura 27 – Diagrama de criação de um sistema de Inferência Fuzzy. . . . . . . . . 56 Figura 28 – Lógica de ordenamento das Funções de Pertinência. . . . . . . . . . . . 59 Figura 29 – Vetor de Adição de Regras. . . . . . . . . . . . . . . . . . . . . . . . . 62 Figura 30 – Lógica de Composição das Regras do Sistema de Inferência Fuzzy. . . 64 Figura 31 – Lógica para caracterização do Movimento e Determinação do Acerto. . 67 Figura 32 – Sinal de sEMG bruto no domínio do tempo. . . . . . . . . . . . . . . . 69 Figura 33 – FFT do Sinal bruto no domínio da frequência. . . . . . . . . . . . . . . 70 Figura 34 – Resposta Simulada em Frequência do filtro Passa-Faixa. . . . . . . . . 71 Figura 35 – Sinal Filtrado no Tempo. . . . . . . . . . . . . . . . . . . . . . . . . . . 71 Figura 36 – FFT do Sinal Filtrado. . . . . . . . . . . . . . . . . . . . . . . . . . . . 72 Figura 37 – Sinal Retificado no Tempo. . . . . . . . . . . . . . . . . . . . . . . . . 72 Figura 38 – FFT do Sinal Retificado (1 até 1000Hz). . . . . . . . . . . . . . . . . . 73 Figura 39 – Sinal Normalizado no Tempo. . . . . . . . . . . . . . . . . . . . . . . . 73 Figura 40 – FFT do Sinal Normalizado. . . . . . . . . . . . . . . . . . . . . . . . . 74 Figura 41 – Exemplo de Sinal Segmentado no Tempo. . . . . . . . . . . . . . . . . 75 Figura 42 – Vetor Segmentação por detecção de limiar x Sinal normalizado. . . . . 76 Figura 43 – Valor RMS dos 12 canais para os segmentos 20 até 25. . . . . . . . . . 77 Figura 44 – Distribuição de amplitudes de todos os canais para voluntário 3 da sub-base II. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81 Figura 45 – Distribuição de amplitudes de todos os canais para voluntário 2 da sub-base III. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82 Figura 46 – Curva de graus de pertinência por cluster para canal 3 do voluntário 3 da sub-base II. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83 Figura 47 – Curva de graus de pertinência por cluster para canal 5 do voluntário 2 da sub-base III. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84 Figura 48 – Curva de graus de pertinência por cluster para o voluntário 3 da sub- base II. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86 Figura 49 – Curva de graus de pertinência por cluster para o voluntário 2 da sub- base III. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87 Figura 50 – Sistema de Inferência Fuzzy 12 entradas e 1 saída. . . . . . . . . . . . 88 Figura 51 – Entrada 3 para voluntário 3 da sub-base II. . . . . . . . . . . . . . . . 88 Figura 52 – Saída para todos os voluntários e sub-bases. . . . . . . . . . . . . . . . 89 Figura 53 – Saída gerada para um conjunto de 26 regras para uma entrada de VRMS. 90 Figura 54 – Taxa de Acerto por Movimento por Sujeito Intacto. . . . . . . . . . . . 96 Figura 55 – Taxa de Acerto por Movimento por Sujeito Amputado. . . . . . . . . . 96 Figura 56 – Distribuição de amplitudes de todos os canais para voluntário 11 da sub-base II. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117 Figura 57 – Distribuição de amplitudes de todos os canais para voluntário 19 da sub-base II. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118 Figura 58 – Distribuição de amplitudes de todos os canais para voluntário 4 da sub-base III. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118 Figura 59 – Distribuição de amplitudes de todos os canais para voluntário 10 da sub-base III. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119 Figura 60 – Curva de graus de pertinência por cluster para o vol. 11 da sub-base II.120 Figura 61 – Curva de graus de pertinência por cluster para o vol. 19 da sub-base II. 121 Figura 62 – Curva de graus de pertinência por cluster para o vol. 4 da sub-base III. 122 Figura 63 – Curva de graus de pertinência por cluster para o vol. 10 da sub-base III.123 Figura 64 – Saída gerada para um conjunto de 26 regras para uma entrada de VRMS - exemplo 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126