Banca de DEFESA: SANDRELLY MIRELY DA SILVA SANTOS

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: SANDRELLY MIRELY DA SILVA SANTOS
DATA : 24/02/2026
HORA: 14:00
LOCAL: Remota - Google Meet
TÍTULO:

CLASSIFICAÇÃO DE GESTOS MANUAIS A PARTIR DE IMAGENS DE HD-sEMG UTILIZANDO APRENDIZADO PROFUNDO E ÁRVORES DE DECISÃO

PALAVRAS-CHAVES:

HD-sEMG; gestos manuais; aprendizado de máquina; árvores de decisão.

PÁGINAS: 82
RESUMO:

A recuperação da função motora da mão constitui um dos principais desafios na reabilitação pós-Acidente Vascular Encefálico (AVE), especialmente frente a necessidade de estratégias que aumentem a adesão ao tratamento e permitam abordagens inovadoras, como a reabilitação gamificada. Nesse contexto, a Eletromiografia de Superfície de Alta Densidade (HD-sEMG) destaca-se por fornecer informações detalhadas da atividade muscular, permitindo a aplicação de técnicas de aprendizado de máquina para reconhecimento de padrões motores complexos e suporte a sistemas interativos de reabilitação. Entretanto, sua alta dimensionalidade impõe desafios ao processamento e à extração de características. Este trabalho propõe uma abordagem híbrida que converte sinais de HD-sEMG em imagens 2D (mapas de calor) e utiliza aprendizado profundo combinado com algoritmos clássicos de árvores de decisão para classificação de gestos manuais. Para tanto, utilizou-se a base de dados pública Hyser, da qual foram selecionados 10 gestos funcionalmente relevantes para reabilitação. Os sinais brutos foram convertidos em mapas de calor representativos dos padrões espaciais de ativação muscular, dos quais as características foram extraídas por uma LeNet pré-treinada. A base foi dividida em conjuntos de treino (80%) e teste (20%) e avaliada com classificadores baseados em árvores (J48, Random Tree e Random Forest com 100, 200, 300, 400 e 500 árvores), utilizando métricas de desempenho e análise estatística. Os resultados indicaram desempenho superior dos modelos Random Forest, que alcançaram acurácia média superior a 91,7% e AUC acima de 0,994, com baixa variabilidade. Considerando o equilíbrio entre desempenho e custo computacional, o modelo Random Forest com 200 árvores foi selecionado para validação final. No conjunto de teste, este modelo apresentou acurácia de 78,87%, Kappa de 0,765 e AUC média de 0,962, observando-se maior confusão entre gestos antagônicos com padrões musculares semelhantes. Os resultados validam a viabilidade da abordagem proposta para aplicações em sistemas de reabilitação motora assistida por tecnologia.

MEMBROS DA BANCA:
Presidente - 1202668 - JULIANA CARNEIRO GOMES CASSEMIRO
Interna - 3727505 - GISELLE MACHADO MAGALHAES MORENO
Interno - 1807632 - WELLINGTON PINHEIRO DOS SANTOS
Externa à Instituição - ANA CLARA GOMES DA SILVA
Externa à Instituição - CECILIA CORDEIRO DA SILVA - UFPE