Estruturando redes neurais artificiais paralelas e ...claretianorc.com.br/download?caminho=upload/cms/revista/sumarios/... · entre o meio interno e externo causa uma diferença de

Revista das Faculdades Integradas Claretianas – Nº6 – janeiro/dezembro de 2013 80

Estruturando redes neurais artificiais paralelas e independentes para o controle de próteses robóticas

Daniel Cristiano Serafim1

Prof. Dr. Antonio Joaquim da Silva Neto2

RESUMO

O objetivo deste artigo é apresentar o estudo, assim como os resultados de simulações em ambiente computacional, de um sistema para ser empregado no controle de próteses robóticas utilizando redes neurais artificiais. Será apresentada para estudo uma estrutura com arquiteturas de redes neurais paralelas e independentes, para classificação de padrões de sinais mioelétricos existentes no coto de um amputado. Outro procedimento que será estudado é o uso de uma função de teste de intervalos, contendo limiares máximos e mínimos, obrigando o sinal classificado a estar dentro dessa tolerância. A intenção é obter um sistema confiável, com grande poder de generalização e viabilidade de uso em uma prótese mioelétrica. A estrutura proposta foi utilizada para o reconhecimento do movimento de contração e relaxamento da mão, flexão e extensão do antebraço. Verificou-se, durante a simulação, um acerto de cem por cento nos movimentos da mão e de oitenta e dois por cento nos movimentos do antebraço, apontando um ótimo desempenho na classificação de sinais mioelétricos. Palavras-chave: Redes neurais artificiais; mioelétricos; próteses; discriminador. 1 Introdução

Desde a década de 40, o uso de próteses para substituir a falta de algum membro, ou ainda no auxílio de

determinados movimentos, vem aumentando como consequência de avanços sistemáticos de conceitos

de bioengenharia e engenharia biomecânica. Segundo Camargo (2008, p. 17), “Podemos definir próteses

como sendo um dispositivo artificial que tem o objetivo de substituir membros ausentes ou má formação

congênita”. Dentre esses dispositivos, podemos destacar as próteses mioelétricas. Esses equipamentos

recebem esse nome justamente por serem ativados por meio de impulsos elétricos oriundos do sistema

nervoso central para a contração de grupos musculares específicos. Ainda segundo Camargo (2002, p.

22), podemos citar a seguinte definição para próteses mioelétricas:

Dentre as próteses elétricas, aquelas denominadas Mioelétricas (cujo controle do paciente é realizado através do sinal elétrico proveniente da contração muscular, ou seja, por meios do SME) possuem uma série de vantagens sobre as demais próteses, tais como, possuir acionamento independente de cabos, fácil adaptação de um controle proporcional, além do sinal mioelétrico poder ser detectado através de eletrodos não invasivos.

Este artigo apresenta os resultados obtidos durante as pesquisas de iniciação científica, em que

foi elaborado um sistema de identificação de sinais mioelétricos (SME) no instante de uma contração

muscular voluntária, para posterior replicação de uma prótese do seguimento mão e braço. Esse sistema

é baseado no uso de redes neurais artificiais (RNA) do tipo feedforward. Será utilizada uma rede para

cada movimento específico a ser identificado, e elas serão dispostas paralelamente e de forma a atuarem

independentemente umas das outras. Os resultados obtidos em cada estrutura de RNAs serão enviados

para uma função de teste de intervalos, com objetivo de verificar se houve identificação ou não do

movimento desejado.

O principal objetivo desse conceito de controle é obter um sistema com alto poder de

generalização na identificação de sinais mioelétricos, uma vez que essas redes podem possuir tamanhos

1 Aluno do curso de Bacharelado em Engenharia Mecatrônica do Claretiano Faculdade 2 Doutor em Biologia Celular e Molecular, professor do Claretiano Faculdade



reduzidos, pois seriam treinadas para identificar apenas dois movimentos específicos cada uma, o

de contração e relaxamento, ou seja, retorno à posição de origem do membro. Para esse estudo, o

método escolhido foi simulação em ambiente computacional utilizando o software Matlab®/Simulink®,

sendo a rede neural treinada com auxílio da ferramenta Toolbox Neural Network, e, posteriormente, sua

estrutura já treinada é empregada no ambiente Simulink através do comando gensim (net) para

simulação e validação cruzada do sistema proposto.

2 A origem da contração muscular O sinal elétrico responsável por ativar o grupo de músculos necessários para executar

determinado movimento se origina em células denominadas motoneurônios. Quando o interior da célula é

mais negativo que o ambiente que a rodeia, deve haver, no interior da célula, um excesso de cargas

negativas, em comparação com o espaço extracelular (DUDEL et al., 1979).

Esses pulsos de eletricidade, também chamados de potenciais de ação, são resultantes do

transporte ativo de íons de potássio (K+) e sódio (Na+) entre o interior e o exterior da célula; esse

processo recebe o nome de bomba de sódio. A alteração das concentrações citoplasmáticas de K+ e Na+

entre o meio interno e externo causa uma diferença de potencial que, em situação de equilíbrio, é de

aproximadamente -70mV. Na Figura 1, podemos visualizar o gráfico no momento em que ocorre o

potencial de ação.

Figura 1 - Gráfico do potencial de ação adaptado de Kovács (2006)

Quando essa diferença ultrapassa um valor chamado de limiar de disparo, o potencial de ação se

propaga pelo axônio até atingir o grupo muscular ou músculo desejado. O potencial de ação de uma

célula motoneurônica é descrito da seguinte maneira por Kovács (2006, p. 16):

A formação de um potencial de ação na membrana axonal ocorre quando a membrana sofre uma despolarização suficientemente acentuada para cruzar um determinado valor conhecido como limiar de disparo. Nesse momento, através de um processo ativo investigado pioneiramente por Hodgkin e Huxley, e descrito, por exemplo, em Kovács, a membrana se despolariza rapidamente, em questão de alguns microssegundos, muito além do valor do limiar e em seguida retorna, bem mais lentamente, ao valor de repouso. Este fenômeno é o potencial de ação, que passa a se propagar ao longo da fibra nervosa, na forma de uma onda não atenuada, com uma velocidade de algumas dezenas de



centímetros por segundo em fibras não mielinizadas e até 150 metros por segundos em fibras mielinizadas.

3 Sinais Mioelétricos de Superfície (SME)

No instante da contração muscular, um campo elétrico se forma ao redor dessas fibras como

resultante da formação de vários potenciais de ação. O resultado da soma algébrica das n fibras de uma

unidade motora é chamado de potencial de ação da unidade motora (Figura 2) (ORTOLAN, 2002, p. 19),

cuja sigla em inglês é MUAP – Motor Unit Action Potencial (ORTOLAN, 2002, p. 18). Esse campo

eletromagnético recebe o nome de sinal mioelétrico, e é de natureza de milivolts e difícil de ser captado

com um grau aceitável de qualidade para interpretação e identificação. Para Enoka (2000, p. 13), no

sistema muscular simples será examinada a maneira pela qual o sistema nervoso ativa o músculo.

Essencialmente, essa comunicação é um processo eletroquímico cujo estágio final é elétrico por natureza.

Portanto, para se determinar se o músculo está em atividade, é preciso apenas monitorar a atividade

elétrica do músculo. Essa técnica, conhecida como eletromiografia (EMG), envolve a colocação de

eletrodos na pele, imediatamente sobre o músculo, para monitorar os impulsos (excitação) do músculo.

Neste estudo, serão avaliados os grupos extensores Carp Ulnaris, Digitorium (Communis), Carpi Radialis

Brevis e Longus, e os flexores Carpi Ulnaris e Radialis e Digitorum Superficialis (Cunha et al., p. 340).

Figura 2 - Esquema de geração de um MUAP. (adaptado de BASMAJIAN & De LUCA, 1985) onde h(t) expressa a soma algébrica de todos os potenciais de ação envolvidos. Fonte: ORTOLAN (2002, p. 19)

4 Redes Neurais Artificiais

Existem muitas técnicas para controle de uma prótese que irá replicar os movimentos que

deveriam ser realizados pelo membro amputado. Como se trata de uma prótese mioelétrica, a mesma

deve ser controlada por sinais elétricos humanos. Dentre inúmeras técnicas possíveis, foi escolhida para

este estudo a utilização de redes neurais artificiais para classificação de padrões mioelétricos. Segundo

Nascimento Jr. e Yoneyama (2000, p.136), a seguinte definição de uma Rede Neural Artificial foi proposta

por Hecht-Nielsen.

Uma Rede Neural Artificial é uma estrutura que processa informação de forma paralela e distribuída e que consiste de unidades computacionais (as quais podem possuir uma memória local e podem executar operações locais) interconectadas por canais unidirecionais chamados de conexões. Cada unidade computacional possui uma única conexão de saída, que pode ser divididas em quantas conexões laterais se fizerem necessário, sendo que cada uma destas conexões transporta o mesmo sinal, o sinal de saída da unidade computacional. Esse sinal de saída pode ser contínuo ou discreto. O processamento executado por cada unidade computacional pode ser definido arbitrariamente, com a restrição de que ele deve ser completamente local, isto é, deve



depender somente dos valores atuais dos sinais de entrada que chegam até a unidade computacional via as conexões e dos valores armazenados na memória local da unidade computacional.

Para a estrutura proposta neste estudo, o modelo de neurônio utilizado é o de um discriminador

linear. O neurônio de McCulloch (Figura 3) pode ser modelado por um caso particular cujas entradas são

binárias. Genericamente, define-se discriminador linear de n entradas, e uma saída y das seguintes

expressões:

Onde os componentes são os ganhos associados às entradas x, Θ é o valor do

limiar, h(v) é a função de grau unitário e sgn(v) o operador sinal.

Figura 3 – Neurônio artificial projetado por McCulloch, cujo modelamento matemático estão expressos

pelas equações 1 e 2 (KOVÁCS, 2006, p.26)

Dentro da definição de topologia de rede, foi utilizada a rede de tipo feedforward (sem

realimentação local), ou seja, toda informação inserida é passada adiante por cada unidade sem que essa

mesma unidade receba algum estímulo externo, diretamente ou indiretamente.

A principal característica de uma rede neural é sua capacidade de aprendizado de acordo com os

estímulos do meio no qual ela está inserida, sendo supervisionada ou não. Para isso, é necessário

implementar um algoritmo de aprendizagem, para que a rede neural altere seus parâmetros internos e

aproxime a resposta real ao máximo da resposta desejada. O processo de aprendizado escolhido utiliza-

se do método de correção de erro, conforme foi descrito por Haykin (2001, p. 77) e demonstrado na

equação numero 3.

Nela a resposta desejada para o neurônio k no instante n é e a saída real para o mesmo

neurônio é e produzirá para o sistema em questão o sinal de erro . A função indicativa do

processo de aprendizagem da rede será a função de soma dos erros quadráticos, definida na equação

número 4.



Com isso, é o valor instantâneo da energia do erro. Ainda de acordo com Haykin (2001), Os

ajustes passo a passo dos pesos sinápticos do neurônio k continuam até o sistema atingir um estado

estável (i.e., os pesos sinápticos estão essencialmente estabilizados). Neste ponto, o processo é

encerrado. Na Figura 4, é apresentado o grafo demonstrando como ocorre o processo de aprendizagem

por correção de erro.

Figura 2 –

Aprendizagem

por correção de erro

(HAYKIN, 2002,

p. 77).

4.1 O algoritmo

de

aprendizagem backpropagation

Para que o sinal de erro gerado pela rede neural descrito no item anterior seja utilizado para

corrigir os parâmetros de rede, é necessário um algoritmo, para que o sistema realize a correção até que

o parâmetro ou função indicativa do processo de aprendizagem (confira equação n° 4) satisfaça a

condição de sistema treinado. O algoritmo de aprendizagem utilizado foi o backpropagation

(retropropagação de erro), que utiliza o mesmo princípio da regra delta, e por isso costuma-se encontrar

na literatura como sendo regra delta generalizada. Segundo Nascimento Jr. e Yoneyama (2000), esse

algoritmo é o mais utilizado em redes de múltiplas camadas, devido principalmente à sua facilidade de

implementação. Ainda de acordo com Nascimento Jr. e Yoneyama (2000), o algoritmo backpropagation é

o resultado da derivação de forma independente por várias pessoas trabalhando em campos diferentes.

Em 1986, Rulmelhart, Hinton e Williams redescobriram e popularizaram o algoritmo. O processo de

atualização dos pesos sinápticos do neurônio i ao neurônio k é definido pela regra delta como:

Assim;



Onde η é a taxa de aprendizagem para o algoritmo e δ se refere ao gradiente local decrescente

dos valores dos pesos sinápticos, reduzindo assim o valor de e pode ser definido pela expressão de

gradiente local δ do neurônio intermediário i:

4.2 Redes neurais multicamadas

Nessa configuração, uma rede neural pode conter várias camadas de processamento além das

camadas de entrada e saída. As camadas entre a entrada e saída são chamadas de camadas escondidas

(hiden layers). Embora sua estruturação se torne mais trabalhosa e também requeira mais atenção

quanto ao número de neurônios nas camadas escondidas, além de necessitar de uma criteriosa avaliação

no momento de atribuir os valores para os pesos sinápticos, esse tipo de rede apresenta um poder de

convergência muito maior do que o existente em uma rede composta por um único neurônio na camada

de saída, conhecido como “perceptron” pela característica de resolver problemas linearmente separáveis

(Camargo, 2002).

Nascimento Jr. e Yoneyama (2000) apresentam a seguinte definição dos critérios utilizados no

momento de estruturar uma rede neural com múltiplas camadas:

Quando se tem apenas 1 camada escondida com um número de unidades não suficiente para que seja possível a recodificação dos vetores de entrada, uma possível solução é adicionar uma segunda camada de unidades escondidas. Assim, o projetista da rede tem que decidir entre: 1) usar sempre 1 camada escondida com muitas unidades; 2) usar 2 ou mais camadas escondidas com poucas unidades em cada camada. Normalmente não mais de 2 camadas escondidas são usadas por duas razões: 1) provavelmente o poder de representação de uma rede com até 2 camadas escondidas será suficiente para resolver o problema; 2) as simulações tem mostrado que para a maioria dos algoritimos usados para treinamento de RNA disponíveis atualmente, o tempo de treinamento da rede aumenta rapidamente com o número de camadas escondidas.

A Figura 5 mostra um grafo estrutural de uma arquitetura de um perceptron contendo multiplas

camadas de unidades computacionais, em que todas as unidades estão interligadas entre si, e o sinal de

entrada percorre o caminho descrito da esquerda para a direita (HAYKIN, 2001). Dessa maneira, todos o

neurônios computacionais processam a informação inserida na rede, projetando um sinal de saída para o

qual a rede foi devidamente treinada.



Figura 3 – Grafo arquitetural de um perceptron de múltiplas camadas, contendo duas camadas ocultas

(HAYKIN, 2001, p. 186). 5 A estrutura de RNAs paralelas proposta na pesquisa

Como mencionado anteriormente, o objetivo principal desta pesquisa foi avaliar os resultados de

uma estrutura formada por redes neurais paralelas e independentes, para reconhecimento de padrões de

SME existentes no coto de um amputado. Para essa estrutura foram adotadas redes do tipo perceptron

de múltiplas camadas, porém, como serão empregadas várias redes para identificar movimentos

diferentes, essas redes devem possuir tamanho reduzido, pois a quantidade de informações diferentes

utilizadas para o treinamento de uma mesma rede também será reduzida para esse formato. O que se

pretende é que a rede treinada para classificar o movimento “A”, por exemplo, dê um resultado mais

próximo possível do desejado, enquanto as outras redes possam fornecer um resultado

consideravelmente fora do esperado, a fim de não interferir na “decisão” da rede “A” e vice-versa.

Paralelamente serão dispostas duas redes treinadas para classificar os movimentos de contração e

relaxamento da mão, flexão e extensão do antebraço. O diagrama de blocos da Figura 6 mostra como foi

montada essa estrutura, assim como o caminho do sinal percorrido dentro dela até que seja fornecida

uma resposta final.



Figura 4 – Diagrama de blocos representativos da arquitetura de redes neurais paralelas independentes

proposta para identificação de padrões de SME a fim de reproduzir determinado movimento de um membro amputado.

Na figura, representa o sinal mioelétrico mostrado no instante n para cada rede (k), sendo

a resposta da rede, previamente treinada para oferecer essa resposta. O sinal d (

assumirá um valor binário (0 ou 1) após o teste de intervalos (m), indicando se a rede identificou o

movimento desejado. Note que o sinal SME é comum para as entradas de todas as redes existentes.

Essas funções receberão como limite uma pequena variação da saída desejada para cada rede, devendo

a saída estar dentro de uma tolerância estipulada de forma empírica. Se o valor testado estiver dentro do

intervalo estipulado, então a condição de verdadeiro é repassada ao driver controlador que deverá

executar o movimento especificado, enquanto as outras redes devem fornecer zero após o teste para o

mesmo sinal.

O sistema a seguir ilustra a atuação de teste de intervalos para cada rede.

Nele, e definem respectivamente os valores mínimos e máximos para o teste de intervalos

(m), obrigando, portanto, a saída a estar dentro desse intervalo. Para a simulação do sistema, foi

utilizada a ferramenta Neural Network Toolbox do software Matlab®, em que foram estruturadas e

treinadas as redes neurais responsáveis por identificar os movimentos desejados. A rede responsável

pelos movimentos da mão contém uma camada escondida com doze unidades, três unidades na entrada

e uma unidade neuronal na camada de saída. A função de ativação utilizada para essa rede foi a função

sigmoide (equação 5) com a constante a, e a taxa de aprendizado de 0.45, ambas determinadas de

forma empírica.

(9)



Para identificar os movimentos de flexão e extensão do antebraço, foi estruturada uma rede com

duas camadas, havendo seis unidades neuronais na primeira camada e uma na segunda camada. Para

ativação, utilizamos uma função linear (purelin) e a taxa de aprendizado de 0.35 igualmente

determinadas de forma empírica.

6 Resultados

Para a avaliação do sistema de identificação de sinais mioelétricos proposto, foram utilizados

valores em milivolts previamente coletados por Favieiro (2009, p.81) para movimentos de contração e

relaxamento da mão e flexão e extensão do antebraço (FAVIEIRO, 2009, p. 83). Para movimentos da

mão, foram utilizados neste estudo valores coletados para um total de trinta ensaios realizados, sendo

treze para treinamento do sistema e o restante, utilizado aleatoriamente, para validação e simulação.

Para os do antebraço, um total de vinte e um movimentos foi realizado, sendo doze para treinamento e o

restante, assim como no caso do antebraço, utilizado aleatoriamente, para validação e simulação do

sistema proposto. Como o sistema de aquisição de SME era composto de um condicionador de sinais

mioelétricos de três canais, o resultado foi uma matriz de 30 linhas por 3 colunas para os movimentos da

mão, e uma de 22 linhas por 3 colunas de valores de SME para movimentos do antebraço. Todos os

conjuntos de treinamento de cada rede específica foram agrupados e apresentados de forma aleatória.

Na Tabela 1, estão os valores coletados por Favieiro (2009, p. 83) para os movimentos de contração e

relaxamento da mão; note que, para cada valor que será apresentado à rede, encontra-se relacionado

um alvo desejado. As linhas em destaque representam os valores escolhidos aleatoriamente para o

treinamento da rede e o restante será utilizado para validar e simular o sistema.



Ensaio de

contração da mão

Movimento caracterizado

Valor rms do canal 1 [V]

Valor rms do canal 2 [v]

Valor rms do canal 3 [V]

Alvo para o treinamento

1 Contração 0.0723 0.0976 0.0160 1 2 Relaxamento 0.0440 0.0077 0.0207 0 3 Relaxamento 0.0453 0.0099 0.0236 0 4 Contração 0.0760 0.0990 0.0141 1 5 Contração 0.0718 0.1010 0.0158 1 6 Relaxamento 0.0509 0.0076 0.0200 0 7 Contração 0.0690 0.1023 0.0172 1 8 Contração 0.0940 0.0980 0.0201 1 9 Relaxamento 0.0550 0.0084 0.0290 0 10 Contração 0.0754 0.1137 0.0215 1 11 Relaxamento 0.0603 0.0088 0.0228 0 12 Contração 0.0975 0.0116 0.0195 1 13 Contração 0.0832 0.1099 0.0062 1 14 Relaxamento 0.0732 0.1341 0.0062 0 15 Contração 0.0758 0.1145 0.0062 1 16 Relaxamento 0.0732 0.1341 0.0062 0 17 Relaxamento 0.0523 0.0063 0.0062 0 18 Contração 0.0901 0.1644 0.0062 1 19 Relaxamento 0.0730 0.1252 0.0062 0 20 Relaxamento 0.0560 0.0065 0.0061 0 21 Relaxamento 0.0756 0.1345 0.0061 0 22 Relaxamento 0.0700 0.1081 0.0061 0 23 Contração 0.0885 0.1327 0.0060 1 24 Relaxamento 0.0626 0.1121 0.0102 0 25 Relaxamento 0.0697 0.1506 0.0117 0 26 Relaxamento 0.0728 0.1506 0.0102 0 27 Contração 0.0791 0.1048 0.0117 1 28 Relaxamento 0.0678 0.1031 0.0122 0 29 Relaxamento 0.0663 0.1072 0.0114 0 30 Relaxamento 0.0665 0.1047 0.0122 0

Tabela 1 – Valores de SME utilizados para treinamento da rede neural responsável por identificar os movimentos da mão. Nas linhas em destaque, estão os valores escolhidos aleatoriamente para o

treinamento; o restante, para validação e simulação do sistema. Na coluna 6 estão os alvos desejados para cada movimento. Fonte: FAVIEIRO (2009, p.81)

Na tabela 2, estão relacionados os limites escolhidos de forma empírica para o teste de

intervalos, obrigando, assim, a saída da rede treinada para identificar determinado movimento, a

oferecer um valor dentro desses limites superiores e inferiores. Na coluna 3, estão o alvo oferecido para o

conjunto de treinamento referente a cada movimento. Foram escolhidos propositadamente valores

positivos e negativos a fim de se ter saídas bem diferenciadas para não influenciarem no resultado final

umas das outras e facilitar a escolha dos valores para os limites dos testes de intervalos.



Rede Objetivo Alvo Limites superior e

inferior do teste de intervalos

A Contração da mão 1 1.100 (superior) 0.7828 (inferior)

A Relaxamento da mão 0 0.779 (superior) 0.100 (inferior)

B Flexão do antebraço -1 -0.800 (superior) -1,200 (inferior)

B Extensão do antebraço -2 -1.970 (superior) -2.300 (inferior)

Tabela 2 – Tabela com valores dos limites inferiores e superiores dos testes de intervalos e o alvo desejado para cada movimento.

Na Tabela 3, estão os resultados obtidos durante a simulação para um movimento de contração

da mão. Foram inseridos na rede já treinada os valores da Tabela 1 das linhas não hachuradas, onde se

encontram os valores escolhidos para simulação e validação. A rede foi treinada para oferecer 1 como

resultado toda vez que fosse identificado o movimento de contração da mão, porém, como a performance

de treinamento nunca será idealmente de 100%, a saída se aproximará o máximo possível do valor

desejado, de acordo com o resultado de cada treinamento. Na coluna 3, estão os valores de SME

inseridos nas entradas da rede simultaneamente, sendo o valor da coluna 5 a saída real apresentada pela

rede. Na coluna 6, estão os limites superior e inferior do teste de intervalos para esse movimento. Como

o resultado encontra-se dentro desse intervalo, a saída repassada para o driver será de nível lógico 1.

Com esse resultado, as outras funções de teste oferecerão zero, pois esse valor está fora dos seus

limites, como podemos ver na Tabela 2. Confirma-se, dessa maneira, a identificação do movimento de

contração da mão.

Ensaio Movimento Valor rms [V]

Saída desejada

Saída real da rede A

Teste de intervalos

(contração)

Saída após o teste de intervalos

4 Contração 0.0760 1.1 (Superior)

4 Contração 0.0990 1 0.9234 1 (verdadeiro)

4 Contração 0.0141 0.7828 (Inferior)

Tabela 3 – Resultados obtidos durante a simulação para um movimento de contração da mão.

Na Figura 8, podemos ver o gráfico com o desempenho das redes A e B durante as simulações

com os conjuntos de dados que não foram apresentados durante os treinamentos. Foram simulados com

todos os valores restantes a fim de se avaliar a eficácia do sistema proposto neste estudo.



Figura 5 – Gráfico com resultados das simulações das redes 1 e 2 no reconhecimento dos movimentos da

mão e antebraço.

O melhor desempenho foi da rede responsável pelos movimentos da mão, conseguindo

reconhecer todos os valores separados para simulação, tanto para contração como para o relaxamento

do grupo motor relacionado ao movimento. A rede responsável por identificar os movimentos de

extensão e relaxamento do antebraço apresentou bons resultados, porém não conseguiu atingir

desempenho da rede 1, mas ainda sim é considerado um bom desempenho no reconhecimento dos

valores apresentados.

7 Conclusões

Embora tenha se mostrado mais trabalhoso estruturar duas redes, sendo uma para cada

movimento, os resultados obtidos durante a validação mostram um excelente poder de reconhecimento

da arquitetura proposta para esta pesquisa. Devemos ressaltar, também, o uso de funções de teste de

intervalos usadas para verificar se o sinal real encontra-se dentro de uma tolerância limite para cada

saída desejada, o que possibilitou treinar as duas redes de maneira a preencher essa condição,

conferindo ao sistema proposto um grau maior de confiabilidade. Tendo em vista que o sistema deve

estar apto a reconhecer padrões de SME com características diferentes para cada usuário, o uso dessa

função de testes de intervalos pode ser um discriminador para tais características biológicas. Deve-se

ressaltar que foi realizada apenas a simulação computacional dentro de um software, usando uma

ferramenta específica para isso, porém mostrando a viabilidade de programar um sistema desse tipo para

classificar sinais mioelétricos no coto de um amputado. Outro detalhe importante é que foram usados

valores adquiridos, tratados e utilizados em outro experimento desse tipo (FAVIEIRO, 2009). Ainda faz-se

necessário um estudo mais profundo sobre a relação entre o método de captação dos sinais mioelétricos

e a estrutura experimentada aqui, e o grupo muscular a ser classificado, principalmente por não terem

sido colhidos valores específicos para esse tipo de sistema. Deve-se estudar também o número de

entradas a serem utilizadas nas redes neurais, estando de acordo com o modelo de captação. Com esses

aprimoramentos, a estrutura de redes neurais paralelas e independentes assumirá um perfil seguro para

o uso em controle de próteses mioelétricas.



8 Referências Bibliográficas

CAMARGO, M. A. A. Planejamento de trajetórias de um manipulador robótico usando redes neurais artificiais. Campinas: UNICAMP, 2002. 106 p. (Dissertação de Mestrado).

DUDEL J. et al. Neurofisilogia 4. ed. São Paulo: Editora Pedagógica e Universitária Ltda., 1979.

ENOKA, R. M. Bases neurodinâmicas da Cinesiologia. 2. ed . São Paulo: Manole, 2000.

FAVIEIRO, G. W. Controle de uma prótese robótica do segmento mão-braço por sinais mioeletricos e redes neurais artificiais. Porto Alegre: UFRS, 2009. 111 p. (Monografia).

HAYKIN, S. Redes Neurais – Principios e Prática. 2. ed. Porto Alegre: Bookman, 2001.

KOVÁCS, Z. L. Redes neurais artificiais: fundamentos e aplicações. 4. ed. São Paulo: Livraria da Física, 2006.

NASCIMENTO Jr., C. L.; YONEYAMA, T. Inteligência artificial em controle e automação. 2. ed. São Paulo: Edgard Blücher ltda, 2000.

NATALE, F. Tecnologia digital. 1. ed. São Paulo: Atlas, 1992.

ORTOLAN, R. L. Estudo e avaliação de técnicas de processamento do sinal mioelétrico para o controle de sistemas de reabilitação. São Carlos: USP, 2002. 133 p. (Dissertação de Mestrado).

TEIXEIRA, L. A. Controle motor. 1. ed. Barueri: Manole, 2006.

VELLOSO, R. P. Protótipo de um eletromiógrafo digital. Blumenau: FURB, 2004. p. 47. (Monografia).

Documents

Estruturando redes neurais artificiais paralelas e ...claretianorc.com.br/download?caminho=upload/cms/revista/sumarios/... · entre o meio interno e externo causa uma diferença de