Banca de DEFESA: GABRIELY SOARES DA MOTA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: GABRIELY SOARES DA MOTA
DATA : 18/06/2026
HORA: 14:00
LOCAL: Remota - Google Meet
TÍTULO:

CLASSIFICAÇÃO DE GESTOS DE MÃO UTILIZANDO ELETROMIOGRAFIA DE ALTA DENSIDADE E APRENDIZADO PROFUNDO

PALAVRAS-CHAVES:

eletromiografia de alta densidade; reconhecimento de gestos; reabilitação motora; aprendizado de máquina; aprendizado profundo; classificação.

PÁGINAS: 76
RESUMO:

A classificação de gestos de mão a partir de sinais mioelétricos tem recebido crescente atenção devido ao seu potencial em aplicações envolvendo interfaces homem–máquina, tecnologias assistivas e sistemas inteligentes de reconhecimento de movimento. Nesse contexto, a eletromiografia de alta densidade (HD-EMG), associada a técnicas de aprendizado profundo, apresenta-se como uma alternativa promissora por possibilitar a captura detalhada dos padrões de ativação muscular. O presente estudo teve como objetivo desenvolver e avaliar um método para classificação dos gestos utilizando sinais de HD-EMG combinados a técnicas de aprendizado profundo e aprendizado de máquina. Para isso, foram utilizados dados provenientes da base pública Hyser, sendo os sinais segmentados por janelamento temporal e convertidos em imagens no domínio tempo-frequência por meio da Transformada Wavelet. A extração automática de atributos foi realizada utilizando duas arquiteturas convolucionais, LeNet e EfficientNet, seguidas da etapa de classificação por algoritmos supervisionados, incluindo Random Tree, Random Forest e Máquina de Vetores de Suporte (SVM). Os resultados demonstraram desempenho superior dos modelos baseados em SVM, com destaque para o SVM com kernel polinomial de grau 2 aplicado aos atributos extraídos pela LeNet e para o SVM com kernel polinomial de grau 1 associado à EfficientNet. Entre as arquiteturas avaliadas, a EfficientNet apresentou melhor desempenho global no conjunto de teste, alcançando acurácia de 95,45% e área sob a curva ROC de 0,95, indicando elevada capacidade de generalização. De forma geral, os achados demonstram a viabilidade da abordagem proposta e reforçam o potencial da integração entre HD-EMG, aprendizado profundo e aprendizado de máquina para o desenvolvimento de sistemas mais robustos para classificação de gestos de mão.

MEMBROS DA BANCA:
Presidente - 1202668 - JULIANA CARNEIRO GOMES CASSEMIRO
Interna - 3727505 - GISELLE MACHADO MAGALHAES MORENO
Interno - 1807632 - WELLINGTON PINHEIRO DOS SANTOS
Externo à Instituição - FLÁVIO SECCO FONSECA