Discussão em Relação a Outros Estudos Semelhantes

Analisando a detecção de contaminantes com os outros dois estudos (FRASER et al., 2014; MCCOOL et al., 2014), os quais abordaram a identificação de contaminantes por algoritmos de aprendizagem, o SFTD apresentou desempenho semelhante ao do estudo de (FRASER et al., 2014). Este estudo também utilizou um algoritmo SVM e apresentou uma redução na detecção para os mesmos contaminantes avaliados neste trabalho. Entretanto, diferente do estudo de (FRASER et al., 2014), o qual utilizou um classificador SVM de uma classe para detectar uma variedade de contaminação em sinais de sEMG com diferentes níveis de SNR, o SFTD proposto utilizou duas classes para caracterizar a contaminação no sinal. Além disso, não foi variado os níveis de SNR para cada ruído. Portanto, o SFTD proposto tem maior dependência quanto aos ruídos analisados, podendo não detectar outros contaminantes ou até os mesmos ruídos com diferentes SNR.

Em relação ao estudo de (MCCOOL et al., 2014), que identifica qual ruído está presente no sinal entre os contaminantes, não foi possível fazer comparações como sua taxa de identificação do ruído presente. Considerando que foi verificado que cada ruído afeta diferentemente a taxa de acerto média de classificação devido à representatividade do contaminante à ativação muscular, conclui-se que o SFTD pode ser aperfeiçoado para retornar uma identificação de contaminação em distintos níveis de SNR.

Outros trabalhos relacionados a algoritmos adaptativos de (CENE; FAVIEIRO; BALBINOT, 2015; ZHANG; HUANG, 2015) também foram aplicados a sinais de sEMG e apresentaram resultados relevantes na adaptação do classificador após a identificação de sinais degradados. No entanto, esses estudos utilizam um sistema mais complexo de retreinamento do classificador, removendo os canais de sinais de degradação e mantendo um constante monitoramento sobre os canais, a fim de reconsiderarem estes após não apresentarem contaminação. Ou seja, estes trabalhos apresentaram uma avaliação de retreinamento do classificador com processamento on-line dos sinais. Comparando o sistema adaptativo proposto, a vantagem deste é a possibilidade de não retreinar o sistema ao longo do dia e, consequentemente, não realizar procedimentos de retreinamento desnecessários. Entretanto, o sistema adaptativo proposto com a utilização do sensor virtual apresentou reduções nas taxas de acerto de classificação, diferentemente para cada ruído analisado.

A implementação de (CENE; FAVIEIRO; BALBINOT, 2015) de uma rede neural auto- adaptativa com auto-treinamento, a qual descartou os canais que apresentaram deslocamento ou mau posicionamento dos eletrodos, foi utilizada de forma a aprimorar a classificação dos sinais de sEMG, os quais foram adquiridos com ruídos. Assim, não realizaram contaminações artificiais, apenas considerando as contaminações obtidas durante a aquisição do sinal. Estas contaminações foram identificadas utilizando o limiar de threshold para detecção. No entanto, estes limiares foram ajustados especificamente para a base de dados utilizada e para os comportamentos dos ruídos apresentados. Portanto, este estudo e sistema tiveram como objetivo a possibilidade de detectar contaminantes para melhorar a classificação dos movimentos, porém o trabalho de (CENE; FAVIEIRO; BALBINOT, 2015) requer um conhecimento prévio mais detalhado dos possíveis contaminantes de cada base de dados para definição dos limiares. O uso de limiares dificulta a aplicação destes para outras bases de dados e possíveis contaminantes. Então, a utilização de algoritmos inteligentes da detecção da contaminação do sinal pode ser considerada essencial para o aumento do uso de próteses mioelétricas, facilitando a integração de novos usuários.

O estudo de (ZHANG; HUANG, 2015) apresentou uma abordagem de simulação de contaminação artificial como a implantada neste estudo. No entanto, este outro estudo testou artefatos de contato, deslocamento de eletrodos e ruído baseline com diferentes níveis de SNR. Mesmo considerando que este outro se concentrou em reduzir o tempo de retreinamento do classificador após a identificação de contaminação pelo seu módulo sensor de detecção aplicado a outra base de dados, foram realizadas algumas comparações com este trabalho. O número de ocorrências de detecção falso-positivas foi menor em (ZHANG; HUANG, 2015), porém isso pode ser uma característica da base de dados, composta por cinco sujeitos não amputados e um sujeito com amputação. Em uma comparação entre os ruídos utilizados, é possível afirmar que eles obtiveram uma menor taxa de detecção para o ruído de deslocamento de eletrodos. Isso também pode ser decorrente da base de dados utilizada. Entretanto, estes resultados reforçam a importância da detecção de ruídos por algoritmos inteligentes.

Ainda comparando com o trabalho de (ZHANG; HUANG, 2015), a relação da redução na taxa de acerto da classificação após a contaminação de um a três canais foi apresentada e este outro método de retreinamento proporcionou menores efeitos dos contaminantes na redução da taxa de acerto da classificação de movimentos para os sujeitos amputados e não amputados com o aumento de canais degradados. O pior caso com três canais contaminados apresentados, no outro estudo, tem uma redução em até 15%. Através da comparação do método de retreinamento descartando canais contaminados deste trabalho com este outro estudo de

(ZHANG; HUANG, 2015), conclui-se que o outro estudo obteve uma menor redução na taxa de acerto para o mesmo ruído com mais de um canal contaminado. Entretanto, também apresentou uma menor redução na taxa de acerto com os contaminantes avaliados. Assim, o método com retreinamento sem o canal degradado proposto ainda apresenta muitas limitações para a sua aplicação on-line como o modelo apresentado por (ZHANG; HUANG, 2015), principalmente, com relação à contaminação de dois ou mais canais.

Considerando que a configuração de classificação com retreinamento sem o canal degradado apresentou resultados similares ao da literatura científica para um canal degradado e apresentou melhores taxas de acerto em comparação ao sistema adaptativo proposto, pode-se afirmar que sistemas com retreinamento do classificador podem atingir maiores taxas de acerto na recuperação da classificação após a contaminação dos sinais. Entretanto, é possível afirmar que este novo sistema adaptativo de classificação tolerante a falhas contribui como uma solução adequada em alguns casos de contaminação, podendo ser utilizado de forma intermediária ao retreinamento do classificador. O método proposto pode ser aplicado aos casos de contaminação com pequenos períodos ou pode ser utilizado enquanto o classificador é retreinado em um segundo plano de processamento, sem a necessidade de descartar dados. É importante ressaltar que o método proposto foi avaliado de forma superior ao encontrado na literatura científica com relação à diversificação de contaminantes e casos de contaminação do canal, utilizando três bases de dados distintas.