Use este identificador para citar ou linkar para este item: http://repositorio.ufes.br/handle/10/9722
Título: Predição de Movimento Baseada em EEG e sEMG para Controle de Exoesqueleto de Membro Inferior
Autor(es): Botelho, Thomaz Rodrigues
Orientador: Frizera Neto, Anselmo
Coorientador: Ferreira, André
Data do documento: 16-Ago-2017
Editor: Universidade Federal do Espírito Santo
Resumo: Pessoas com deficiências motoras podem ser beneficiadas com o desenvolvimento deestratégias de reabilitação baseadas em sistemas robóticos. Dispositivos robóticos, comoexoesqueletos, podem fazer uso de dados fisiológicos, como eletromiografia de superfície(sEMG) e eletroencefalografia (EEG), além de também sensores inerciais e de força, como intuito de detectar a intenção de movimento e controlar estes dispositivos. Este trabalhoapresenta o desenvolvimento de uma plataforma multimodal de aquisição e processamentode sinais de EEG, sEMG, inerciais e de força para aplicação no exoesqueleto robóticoALLOR (Advanced Lower-Limb Orthosis for Rehabilitation) da UFES, desenvolvidotambém no contexto desta pesquisa. Foram propostas novas estratégias de reabilitaçãoneuro-motoras baseadas no controle do exosqueleto a partir da intenção de movimento dopaciente. Experimentos foram realizados com voluntários, executando as tarefas de extensãoe flexão do joelho, com o objetivo de analisar a intenção de movimento, a ativação musculare o início efetivo dos movimentos realizados. A partir da detecção da intenção de movimento,o sistema inicia a tarefa no exoesqueleto, sendo que os resultados demonstraram que osistema foi capaz de adquirir, sincronizar, processar e classificar os sinais em combinaçãocom o controle do dispositivo. Análisesoff-lineda precisão dos classificadores de intençãode movimento utilizados mostraram que a interface foi capaz de identificar corretamente aintenção de movimento em74,67±18,35%dos casos utilizando uma lógica OU entre ossinais de EEG e sEMG, com uma média de tempo de antecipação do movimento atravésda análise do sinal de EEG, de677,90±513,26milissegundos, sendo que, para o sinal desEMG, este valor foi de122,93±97,48milissegundos. Para os resultados obtidos de formaon-line, apenas o sinal de sEMG foi considerado, com identificação correta da identificaçãoda intenção de movimento de76,00±13,42%dos casos e com uma antecipação domovimento de200,45±50,71milissegundos. Os resultados das etapas de processamentodesses sinais biológicos, bem como os valores de precisão e tempo de antecipação domovimento dos membros inferiores, se mostraram em conformidade com a literatura atual.Foi proposta também uma nova abordagem na classificação de sinais de EEG utilizandodois estágios de classificação, apresentando melhoria média de38,00%na precisão dosclassificadores de EEG em relação aos classificadores probabilísticos tradicionais. Foramdesenvolvidos controladores para o exoesqueleto em tarefas de reabilitação, os quaisforam projetados para pacientes que realizaram artroplastia de joelho e pós-AVC, comcomprometimentos na mobilidade dos membros inferiores.
People with physical disabilities can benefit from the development of rehabilitationstrategies based on robotic systems. Robotic devices, such as exoskeletons, can make useof physiological data, such as surface electromyography (sEMG), electroencephalography(EEG) and also inertial and strength sensors, in order to detect movement intentions andto control these devices. This work presents the development of a multimodal platform forsignal acquisition and processing of EEG, sEMG, inertial and strength signals, to be appliedin the robotic exoskeleton ALLOR (Advanced Lower-Limb Orthosis for Rehabilitation)from UFES, also developed in the context of this research. The research seeks thedevelopment of new neuromotor rehabilitation strategies based on the control of theexoskeleton through patient’s movement intention. So far, experiments were performedwith volunteers executing knee flexion-extension. The goal is to analyze movement intention,muscle activation and movement onset. The system initiates the task in the exoskeletonfrom the detection of the movement intention, and the results showed that the system wasable to acquire, synchronize, process and classify the signals in combination with the devicecontrol. Off-line analyses about the accuracy of the movement intention classifiers showedthat the interface was able to correctly identify the movement intention in74.67±18.35%of the cases through an OR logic between the EEG and sEMG signals, with an averagemovement anticipation from EEG analysis, of677.90±513.26milliseconds. From sEMGanalysis, it was122.93±97.48milliseconds. From the on-line results, only the sEMG signalwas considered, with a correct identification of the movement intention of76.00±13.42%ofthe cases, with an average movement anticipation of200.45±50.71milliseconds. The resultsof these biological signals processing stage, as well as the accuracy and the movementanticipation for lower limbs were similar to the current literature. It is also proposed a newapproach to the EEG signals classification using two classification stages, presenting anaverage improvement of38.00%in EEG classifiers accuracy in comparison to traditionalprobability classifiers. Controllers were developed to the exoskeleton, to be used duringrehabilitation tasks projected to patients who suffered knee arthroplasty and post-stroke,with impairments in lower limb mobility.
URI: http://repositorio.ufes.br/handle/10/9722
Aparece nas coleções:PPGEE - Teses de doutorado

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
tese_8272_tese.pdf21.18 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.