Classificação de gestos de mão utilizando imagens de potência de sinais de HD-EMG e arquiteturas híbridas
Eletromiografia de alta densidade; reconhecimento de gestos; aprendizagem por transferência.
O reconhecimento de gestos de mão baseado em sinais musculares apresenta potencial para aplicações em reabilitação motora, controle de próteses, exoesqueletos e interfaces humano-computador. Este trabalho propõe um método híbrido para a classificação de gestos utilizando imagens de potência obtidas a partir de sinais de eletromiografia de alta densidade (HD-EMG). Os sinais do banco de dados Hyser foram segmentados em janelas de 250 milissegundos, com sobreposição de 125 milissegundos, e a potência de cada canal foi calculada para a construção de mapas de calor que representam espacialmente a ativação muscular. A arquitetura EfficientNet-B0, pré-treinada no ImageNet, foi empregada como extratora congelada de características, produzindo vetores com 1280 atributos por imagem. Esses atributos foram submetidos aos classificadores Random Forest, J48, máquina de vetores de suporte com kernel polinomial, Naive Bayes e Bayes Net. O desempenho foi avaliado por meio das métricas de acurácia, coeficiente Kappa de Cohen, área sob a curva ROC, sensibilidade e especificidade. Os resultados parciais demonstraram desempenho superior dos modelos Random Forest em relação aos demais classificadores. Os resultados indicam que a combinação entre imagens de potência, aprendizagem por transferência e classificadores baseados em conjuntos de árvores constitui uma abordagem promissora e escalável para o reconhecimento de gestos a partir de sinais de HD-EMG.