UMA AVALIAÇÃO DO DESEMPENHO DE UMA REDE NEURAL EXTREME LEARNING MACHINE (ELM) APLICADO A SINAIS DE ELETROMIOGRAFIA DE SUPERFÍCIE (SEMG)
Abstract
Este artigo visa avaliar os resultados da classificação de gestos da mão visando a implementação de uma prótese robótica. Os dados capturados de sinais de Eletromiografia de Superfície (sEMG) gerados a partir de gestos pré-definidos. As características utilizadas para classificação foram: Raiz Média Quadrática (RMS), Coeficientes Auto-regressivos de Quarta Ordem (AR), Integral de Valor Absoluto (IAV) e Comprimento de Forma de Onda (WL). A classificação é testada individualmente pelas técnicas de Análise de Discriminantes Lineares (LDA), Análise de Discriminantes Quadráticos (QDA), classificador Bayesiano Linear (BC Linear), classificador Bayesiano Quadrático (BC Quadrático), Análise de discriminantes por distâncias de Mahalanobis e uma Rede Neural Artificial do tipo “Single Layer Feedforward Network - Extreme Learning Machine” (ELM) adaptada por Boldt (2017). A partir dos resultados obtidos foi realizada uma análise comparativa identificando a classificação por ELM como a mais eficaz atingindo F1-Score médio de 90,75% e uma taxa de acerto de 90,61% em testes realizados a partir da validação 8-fold.