Desenvolvimento de um sistema de classificação de movimentos da mão baseado em sinais EMG utilizando aprendizado de máquina

Resumen

Pessoas com amputações de membros superiores enfrentam desafios significativos para realizar atividades cotidianas, como pegar objetos ou manipular ferramentas, o que impacta diretamente sua qualidade de vida. As próteses mioelétricas oferecem uma solução ao restaurar parte da função motora perdida. No entanto, controlar essas próteses com precisão ainda é desafiador devido à complexidade dos sinais eletromiográficos (EMG) e à variabilidade entre os usuários. Este trabalho desenvolve um sistema de classificação de movimentos da mão, focado em próteses de baixo custo, utilizando sinais EMG e algoritmos de aprendizado de máquina. O sistema coleta sinais EMG por meio do eHealth Sensor Platform V2.0, com eletrodos posicionados no antebraço para garantir a captação adequada. Após o pré-processamento, que inclui a aplicação de filtros para remoção de ruídos, são extraídas características como MAV, RMS, ZC e SSC, que capturam informações cruciais sobre a amplitude e variação dos sinais. Utiliza-se um classificador Random Forest para identificar os movimentos de mão aberta e fechada, atingindo 92,19% de precisão em testes realizados. Embora o sistema ainda não tenha sido integrado a uma prótese, os próximos passos incluem a expansão da base de dados e a futura implementação em uma prótese mioelétrica de baixo custo controlada por Arduino. Este trabalho contribui para o avanço de tecnologias assistivas, promovendo soluções acessíveis e eficazes.