Sistemas Multiusuários

Sistemas multiusuários, também conhecidos como sistemas com interface independente do usuário, são sistemas onde um novo usuário não necessita realizar o procedimento de treinamento do sistema para a sua utilização (GUO et al., 2015b; KHUSHABA, 2014; MATSUBARA; MORIMOTO, 2013; TOMMASI et al., 2013). Sistemas com este tipo de abordagem surgiram devido aos principais fatores que inibem a aplicação de próteses mioelétricas, como a variação do posicionamento dos eletrodos a cada uso, a variação de como

o usuário executa o mesmo movimento, os longos procedimentos de posicionamento dos eletrodos, assim como os treinamentos intensivos para a utilização de uma prótese mioelétrica, entre outros fatores (DEIJS et al., 2016; ENGDAHL et al., 2015; JIANG et al., 2012). É também evidenciado que há diferenças nos sinais de sEMG também entre os movimentos dos dois braços de um mesmo usuário. No entanto, existem estudos que buscaram utilizar a associação de características de sinais de sEMG para o membro amputado a partir de movimentos executados pelo membro intacto (KHUSHABA, 2014; NIELSEN et al., 2011; SEBELIUS et al., 2006).

Como exemplo, no estudo de (GUO et al., 2015c), os autores apresentaram uma braçadeira wireless com oito canais de captura de sinais de sEMG. Neste trabalho utilizaram um classificador LDA com a finalidade de desenvolver uma interface mioelétrica multiusuário, capaz de ser utilizada sem treinamento por novos usuários. A estratégia adotada foi classificar os movimentos de um grupo de usuários com propriedades fisiológicas similares, e então, testar sem qualquer calibração adicional com um novo usuário que é fisiologicamente similar ao grupo de treinamento. O estudo baseou-se no pressuposto de que os sinais de sEMG de diferentes sujeitos apresentam características semelhantes, desde que pertençam a um grupo com propriedades fisiológicas ou características antropométricas semelhantes. Os sinais de sEMG foram segmentados em janelas de 300 ms com sobreposição de 200 ms. O método obteve 84,9% de taxa de acerto média na classificação com a característica TDAR para sete movimentos de sete sujeitos não amputados.

No estudo de (TOMMASI et al., 2013), foi proposto um método de aprendizagem adaptativa com base em um classificador SVM com função kernel Gaussiana. A adaptação baseou-se na adição de um fator de ponderação para avaliar a verdadeira importância de cada fonte de dado com relação ao movimento alvo. A resposta do método para este fator foi avaliada empiricamente. Os autores utilizaram dois bancos de dados no estudo, um com sinais de sEMG e sinais de força obtidos de 10 indivíduos não amputados e outro com os dados da base 2 do NinaPro de 27 indivíduos não amputados, durante a execução de 52 movimentos da mão. A taxa de acerto média no estudo foi menor que 65%.

Em (MATSUBARA; MORIMOTO, 2013), foi proposto uma abordagem chamada de modelagem bilinear de sinais de sEMG, a qual é composta de dois fatores lineares: um fator dependente do usuário (chamado de estilo) e um fator dependente do movimento (chamado de conteúdo). Após decomporem o sinal nestes dois fatores, os fatores dependentes do movimento foram utilizados como características independentes do usuário. Neste estudo, utilizaram quatro canais de sEMG posicionados no antebraço para identificar cinco movimentos da mão e 11

voluntários não amputados do sexo masculino participaram dos ensaios. Nos testes, após o método extrair as características independentes de novos usuários e classificá-las, estas foram adicionadas ao modelo de classificação. Para efeito de comparação neste estudo, foram considerados mais dois métodos de referência chamados no estudo de SVM simples, onde não há nenhum tipo de retreino da SVM, e da SVM adaptada, onde foram adquiridos os dados do usuário de teste de um movimento específico para adicionar nos dados de treinamento da SVM. A segmentação de janelas deslizantes foi utilizada, com o tamanho da janela de 128 amostras e deslocamento de 25 amostras. Para cada janela de cada canal foi extraída a característica RMS. A taxa de acerto média da SVM normalmente utilizada foi de 54%, com a SVM adaptada resultou em 58%, e com o modelo Bilinear foi aproximadamente 73%. No entanto, as dimensões das variáveis estilo e conteúdo foram experimentalmente selecionadas em diversas tentativas empíricas.

Em outro estudo de (KHUSHABA, 2014), foi realizada uma abordagem com Canonical Correlation Analysis (CCA), onde foi adotado um modelo para toda a população, formado a partir de todos os indivíduos de treinamento. A CCA utilizou duas abordagens de um mesmo conjunto de dados, dois conjuntos de características extraídos dos sinais de sEMG das duas mãos dos usuários. Entretanto, para novos usuários, foi necessária a calibração do sistema antes que a interface fosse usada. O processo de calibração gerou um novo conjunto de características que foram adicionadas ao modelo. O método proposto foi validado em um conjunto de oito indivíduos não amputados, durante 10 movimentos bilaterais com quatro eletrodos em cada antebraço. Utilizando um classificador SVM com a adição do modelo CCA, as duas melhores taxas de acerto médias foram de 88,8 ± 7,3% treinando e testando com a mão direita e de 88,3 ± 6,7% treinando com as duas mãos e testando com a direita.

Em (PARK; LEE, 2016), foi proposto um método de classificação com base em Convolutional Neural Network (CNN) para seis movimentos de mão de 27 indivíduos não amputados da base 2 do NinaPro utilizando uma técnica de aprendizagem profunda de características dos sinais de sEMG. A aprendizagem profunda de características foi descrita como uma técnica para aprender a transformação dos dados de entrada para representar de forma mais efetiva a entrada dos métodos de classificação. Para comparação foi utilizado um classificador SVM com função kernel RBF. Foram utilizadas duas abordagens para a validação: sem adaptação, onde o classificador treinado foi aplicado ao novo usuário, e com adaptação, onde ocorre a reciclagem do classificador utilizando alguns dados do novo usuário. O método proposto no estudo com adaptação obteve a melhor taxa de acerto média de 90,0%, e sem

adaptação de 60,0%. O classificador SVM com adaptação obteve a segunda melhor taxa de acerto média de 80,0% e sem adaptação de aproximadamente 45,0%.