Resumo: Sinais eletromiograficos de superfície associados a algoritmos de classificação de movimentos são amplamente utilizados no campo de controle de membros artificiais. Entretanto, fatores como melhor posicionamento dos eletrodos, características ideais a serem extraídas do sinal EMG e definição da melhor técnica de classificação a ser implementada, necessitam de elucidações. O presente trabalho visa o desenvolvimento de um sistema robusto para extração de características de sinais eletromiográficos e classificação de padrões associados a movimentos de mão. O sistema de captação foi composto por quatro eletrodos dispostos sobre os grupos flexores e extensores de punho, sendo os sinais provenientes desses eletrodos utilizados para classificação de quatro movimentos de mão por uma rede neural perceptron de múltiplas camadas. As técnicas apresentadas nesse trabalho resultaram em desempenhos promissores, com uma taxa de sucesso média do classificador de 87,50%. Palavras IntroduçãoO controle de próteses mioelétricas baseia-se na utilização de sinais eletromiográficos (EMG) coletados, principalmente, na superfície da pele e, em geral sobre a musculatura remanescente envolvida, sendo tal técnica amplamente utilizada em próteses de membro superior [1]. Sinais EMG consistem em potenciais elétricos produzidos pela contração de determinado músculo ou grupo muscular e podem ser captados em músculos do antebraço relacionados aos movimentos da mão [2]. Dessa forma, esses sinais consistem em uma importante interface homemmáquina, já que após serem capturados e digitalizados, pode-se processá-los para o reconhecimento de padrões e classificação de movimentos a serem executados pela prótese.A correta classificação dos movimentos está intrinsicamente relacionada à qualidade dos dados adquiridos, bem como à escolha das características e do classificador utilizado. A literatura não apresenta um consenso acerca das melhores características a serem extraídas dos sinais EMG, porém é possível destacar algumas características do domínio do tempo que são [3,4,7] e Root Mean Square (RMS) [4,6,7].Além disso, para o sucesso da classificação, é imprescindível a utilização de um bom método de classificação.Várias técnicas podem-se ser implementadas para a classificação de sinais EMG, tais como redes neurais artificiais [2,3], classificador bayesiano [7], análise de discriminantes lineares [5,6], máquina de vetores de suporte [5] e k-vizinhos mais próximos [7]. Dentre os citados, destaca-se o método de redes neurais artificiais, o qual é inspirado no processamento de informações pelo sistema nervoso central através de sua unidade básica, o neurônio [8]. No entando, diversos trabalhos ainda apresentam contradições em seus resultados no uso da técnica com o objetivo de desenvolver classificadores para controle de membros artificiais.Diante do exposto, este artigo apresenta uma proposta de metodologia visando o desenvolvimento de um sistema robusto para extração de características de sinais eletromiográficos e classificação de padrões assoc...

Surface Electromyographic signals have been used to control robotic prosthesis by means of carefully designed patter recognition algorithms. There are several challenges yet to be solved considering this field, such as the classifiers' dependency on the correct positioning of the electrodes, since even small displacements of those could cause great differences on the sampled signal. This is highly pertinent considering the difficulty of repeating the same position of an electrode at every fitting of prosthesis socket. In this paper, we investigate those effects in the performance of a well-established classifier and possible strategies to train it to account for drastic changes in the position of the EMG electrodes. For that, three Support Vector Machine (SVM) classifiers were trained with data collected from the upper-forearm, while volunteers performed four hand and wrist movements with a set of four active EMG electrodes positioned around the arm evenly spaced. Each SMV was trained with data collected with the set of four electrodes placed at three different positions around the arm. Among the tested electrode positions, the performance of the SMVs were statistically similar among all three positions for three of the tested movements and among two of the positions for the remaining one.