Please use this identifier to cite or link to this item: http://repositorio.ufes.br/handle/10/1882
Title: Protocolos e técnicas de análise de sinais sEMG aplicados à avaliação motora e robótica
metadata.dc.creator: Vela, Jhon Freddy Sarmiento
Keywords: Sinais sEMG;Processamento de sinais biológicos;Avaliação motora
metadata.dc.subject.br-rjfgvb: Reabilitação
Abstract: Os avanços tecnológicos na última década permitiram o desenvolvimento de sistemas de processamento de informação com alta capacidade de armazenamento de dados. Estes avanços na linha de saúde têm evoluíram para o desenvolvimento de dispositivos para aplicações na Bioengenharia e Engenharia Biomédica, no auxílio à compreensão do comportamento fisiológico, diagnóstico, monitoramento, controle e tratamento de variadas alterações biológicas. Juntamente com os avanços tecnológicos, a quantidade e complexidade da informação é cada vez maior, em comparação com a utilidade e compreensão da mesma, representando, para diferentes áreas de conhecimento, um desafio na busca de alternativas viáveis que permitam utilizar os atributos dos sistemas biológicos no desenvolvimento de novas tecnologias para a melhoria da qualidade de vida dos seres humanos. Na atualidade, o desenvolvimento de protocolos de captura de sinais bioelétricos não invasivos está conformando uma opção viável para o diagnóstico de miopatias, reabilitação motora, análise biomecânica, desenvolvimento de Interface Homem-Máquina, e controle autônomo de dispositivos robóticos para pessoas com deficiência motora grave, entre outras aplicações. Em todos os casos, o auxílio de técnicas computacionais como processamento de sinais digitais (DSP), e novos algoritmos baseados em inteligência artificial, abriram a possibilidade de desenvolver técnicas de classificação para o reconhecimento de padrões que podem ser aplicadas na área de biotecnologia para a saúde. A presente tese de doutorado desenvolve protocolos e técnicas de análise de sinais mioelétricas (SME) por eletromiografia de superfície (sEMG) constituídos por “tarefas de atraso instruídas”, aplicados à avaliação motora e reabilitação, que envolve análise e critérios de inclusão-exclusão por anamnese clínica, controle de variáveis no ambiente experimental, captura, aquisição e transformação do sina, digitalização, filtragem, segementação, seleção de características, classificação e reconhecimento de padrões. As aplicações biotecnológicas com SME apresentam uma abordagem quantitativa experimental em forma de estudo de caso. O primeiro estudo de caso desenvolve três protocolos de aquisição para avaliação proprioceptiva do joelho, controle de uma cadeira de rodas robótica por pessoas com deficiência motora grave, e manipulação de um robô móvel por crianças com deficiência cognitiva e motora, utilizando um sensor híbrido (inclinação+sEMG), o qual conformou inclusive uma patente de invenção derivada da presente tese. O segundo estudo de caso desenvolve um protocolo de aquisição SME, para o auxílio ao diagnóstico de fibromialgia utilizando algoritmos para avaliação da fadiga muscular no domínio do tempo (ARV, RMS) e da frequência (MNF, MDF, AIF) com 30%, 60% e 80% de MVC. O terceiro estudo de caso desenvolve um protocolo de aquisição de SME de baixa densidade e baixo nível de contração muscular, com controle do repouso, para o reconhecimento de diferentes gestos da mão, em pessoas saudáveis e com amputação na região do terço distal do cotovelo, avaliando 14 características, 8 no domínio do tempo, 5 no domínio da frequência e Dimensão Fractal (FD), além de várias das sua combinações, as quais foram classificadas com técnicas computacionais de inteligênica artificial como lógica difusa (FL) e redes neurais artificiais do tipo MLP. Os resultados obtidos para o primeiro estudo de caso demonstrou a utilidade da predeterminação de limiares para as variáveis RMS e inclinação obtidas com o sensor híbrido (inclinação+sEMG), melhorando a precisão do senso de posicionamento na análise proprioceptiva do joelho em comparação com um eletrogoniômetro comercial em combinação com o SME. O sensor híbrido facilitou também o controle de uma cadeira de rodas robótica, utilizando o movimento da cabeça para o deslocamento autônomo de pessoas com tetraplegia, assim como, a manipulação autônoma de um robô móvel por pessoas com deficiência cognitiva e motora, os quais obtiveram, com o treinamento, um melhor desempenho na interação com o robô, avaliado pelo índice GAS. No segundo estudo de caso, os resultados obtidos para avaliação da fadiga em pessoas com fibromialgia (FM) indicaram uma relação entre o aumento da carga e a dor muscular, especialmente para 80% de MVC. A regressão linear dos algoritmos RMS, ARV e MNF apresentaram na inclinação (α) e intercepto (β) uma tendência esperada no grupo controle, com regressão linear positiva para características no domínio do tempo e negativas para características no domínio da frequência, para 60% de MVC e 60% do segmento isométrico do SME, obtidos com 20 contrações isotônicas durante a flexão extensão do bíceps braquii (RMS α=1.1319, β=275.706; MNF α=-0.470, β=91.482). No caso de voluntárias com FM, a voluntária N3 apresentou dados com maior relação de tendência esperada da fadiga muscular, para 80% de MVC e 60% do segmento isométrico obtidos durante movimento isotônico do bíceps braquii (RMS α=5,92 β=113,33; MNF α=-1,21 β=96,96). Por último, o terceiro estudo de caso identificou, com UM classificador MLP, e taxa de sucesso de 94,9% seis movimentos de dedos individuais, incluindo repouso, (categoria A), e com 97,5% de taxa de sucesso, sete movimentos que compreendem dedos, punho e agarre (categoria B), ambos os casos, com combinação de características RMS, WL,MAV e ZC. Por outro lado, resultados obtidos por voluntários amputados no terço distal do cotovelo, apresentaram melhores resultados com características no domínio do tempo, em comparação as que incluiram dimensão fractal (DF), com taxas de sucesso de 93,9%, utilizando combinação de características RMS, WL e MAV para a categoria A, e 95,4% de taxa de sucesso, com uma combinação de características RMS, WL, MAV e ZC na categoria B.
Technological advances in the last decade opened up the field for the development of information processing systems with high capacity of data storage. These advances in health have evolved in the development of devices for applications in Bioengineering and Biomedical Engineering, supporting the understanding of the physiological behavior, diagnosis, monitoring, treatment and control of various biological changes. Along with technological advances, the amount and complexity of information is increasing, compared to its usefulness and understanding, representing, for different areas of knowledge, a challenge to find viable alternatives for using the attributes of biological systems in the development of new technologies directed to improve the quality of life of human beings. Currently, the development of noninvasive protocols for capturing bioelectric signals are becoming a viable option for the diagnosis of myopathies, motor rehabilitation, biomechanical analysis, development of Human-Machine Interface, and autonomous control of robotic devices for people with severe motor disabilities among other applications. In all cases, the support of computational techniques, such as digital signal processing (DSP), and new algorithms based on artificial intelligence, has opened the opportunity to develop classification techniques for recognizing patterns which can be applied in biotechnology for health. This doctoral thesis develops protocols and techniques for analysis of sEMG signals, consisting of "instructed delay tasks", applied to the motor assessment and rehabilitation estrategies, involving analysis of inclusion-exclusion criteria for clinical history, control variables in experimental environment, capture, acquisition and processing of sEMG signal, digital group, filtering, segmentation, feature selection, classification and pattern recognition. Biotechnological applications with sEMG signals present a quantitative experimental approach in the form of case studies. The first case study is centered on three acquisition protocols for evaluation of proprioceptive knee, control of a robotic wheelchair for people with severe motor disabilities, and manipulation of a mobile robot for children with cognitive and motor disability, using a hybrid sensor (inclination + sEMG), which is a patent derivate of this thesis. The second case study, develops a protocol for acquisition of sEMG signals in order, to support the diagnosis of fibromyalgia using algorithms for evaluation of muscle fatigue in time domain (ARV, RMS) and frequency domain (MNF, MDF, AIF), with 30%, 60% and 80% of MVC. The third case study, develops a protocol for the acquisition of sEMG signals with low density and low level of muscle contraction, with control of the rest, for the recognition of different hand gestures in healthy and amputees, evaluating 14 characteristics , 8 in time domain, and 5 in frequency domain and Fractal Dimension (FD), with several of their combinations, which were classified with computational techniques of artificial intelligence, such as fuzzy logic (FL) and artificial neural networks of MLP type. The results for the first case study, has demonstrated the usefulness of threshold predetermination as RMS and slope, acquired with the hybrid sensor (inclination + sEMG), improving the accuracity sense of positioning in proprioceptive analysis of the knee compared to a commercial electrogoniometer in combination with sEMG signal. The hybrid sensor also was applied to the control of a robotic wheelchair, using head movements for self-displacement of persons with tetraplegia, as well as autonomous manipulation of a mobile robot by people with cognitive and motor disabilities, which was obtained with training, whose performance in interacting with the robot was evaluated by GAS index. In the second case study, the results obtained for assessment of fatigue in people with fibromyalgia (FM)have indicated a relationship between increasing load and muscle pain, especially with 80% of MVC. The linear regression of algorithms RMS, ARV and MNF havshown in both the inclination (α ) and intercept (β) an expected trend in the control group, with positive linear relationship to characteristics in the time domain and negative characteristics to the frequency domain, with 60% MVC, and 60% of isometric segment of sEMG signal, which were obtained with 20 isotonic contractions during flexion-extension of biceps braquii (RMS α = 1.1319, β = 275 706; MNF α = -0470, β = 91 482). In the case of volunteers with FM, the N3 voluntary presented a behavior with the highest expected trend of muscular fatigue at 80% MVC and 60% of isometric segment, obtained during isotonic movement of biceps braquii (RMS α = 5.92 β = 113.33; MNF α = β = -1.21 96.96). Finally, the third case study, identified, with the MLP classifier, a success rate of 94.9% for six movements of individual fingers, including rest (category A), and 97.5% of success rate for seven movements, including: fingers, wrist and grip (category B), both cases, with a combination of features RMS, WL, MAV and ZC. On the other hand, the results obtained by amputee volunteers showed better results with features in time domain, compared to fractal dimension (DF), with success rates of 93.9% using combination RMS, WL and MAV characteristics for category A, and 95.4% of success rate with combination of RMS, WL, MAV and ZC in category B.
URI: http://repositorio.ufes.br/handle/10/1882
Appears in Collections:PPGBIO - Teses de doutorado

Files in This Item:
File Description SizeFormat 
TeseDoutoradoCompleta.pdf11.36 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons