Banca de QUALIFICAÇÃO: SANDRELLY MIRELY DA SILVA SANTOS

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE: SANDRELLY MIRELY DA SILVA SANTOS
DATA : 17/12/2025
LOCAL: Remota: https://meet.google.com/cvx-utsz-nsp
TÍTULO:

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

PALAVRAS-CHAVES:

HD-sEMG; gestos manuais; gestos de punho; aprendizado de máquina.

PÁGINAS: 48
RESUMO:

A recuperação da função motora de mão e punho persiste como um dos principais desafios da reabilitação pós-Acidente Vascular Encefálico (AVE), sobretudo diante da necessidade de estratégias que promovam maior adesão do paciente ao tratamento e possibilitem abordagens inovadoras, como reabilitações gamificadas. Nesse contexto, a Eletromiografia de Superfície de Alta Densidade (HD-sEMG) tem se destacado por fornecer informações detalhadas da atividade muscular, permitindo a aplicação de técnicas de aprendizado de máquina para reconhecer padrões motores complexos e apoiar sistemas interativos de reabilitação. Entretanto, sua alta dimensionalidade impõe desafios ao processamento e à extração de características. Dessa forma, este trabalho propõe uma abordagem híbrida, transformando sinais de HD-sEMG em imagens 2D e utilizando aprendizado profundo, aliado a algoritmos clássicos, objetivando avaliar o desempenho para classificação de gestos manuais e de punho. Para a execução do projeto foi utilizada a base de dados pública Hyser, que dispõe de dados de 34 gestos manuais de HD-sEMG, dos quais foram selecionados 10 gestos funcionalmente relevantes para aplicações em reabilitação. Os sinais brutos foram convertidos em mapas de calor representativos dos padrões espaciais de ativação muscular. As imagens tiveram características extraídas pela LeNet pré-treinada. A base foi separada em conjunto de treino (80%) e teste (20%) e, no treinamento, foram utilizados algoritmos clássicos baseados em árvores (J48, Random Tree e Random Forest com 100, 200, 300, 400 e 500 árvores). Os classificadores foram avaliados através de métricas de desempenho e análise estatística. Os resultados parciais indicaram desempenho superior dos modelos Random Forest, que alcançaram acurácia média superior a 91,7% e AUC acima de 0,994, com baixa variabilidade entre execuções. Considerando o equilíbrio entre desempenho e custo computacional, o modelo Random Forest com 200 árvores foi selecionado para a etapa de validação final. Quando aplicado ao conjunto de teste, o modelo mostrou diminuição nas métricas, com acurácia de 78,87%, Kappa de 0,765 e AUC média de 0,962, sendo percebido maior confusão entre gestos antagônicos com padrões musculares semelhantes.

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