Classificador Random Forest para eletromiografia de superfície : uma abordagem em FPGA

Abstract

Nas últimas décadas o estudo dos sinais mioelétricos foram amplamente difundidos com o intuito de melhorar a capacidade motora ou de diagnosticar distúrbios ligados ao movimento humano. Diferentes técnicas de aprendizado de máquina foram desenvolvidas com o intuito de auxiliar no controle de próteses através da predição do movimento realizado. Na literatura são encontrados trabalhos com taxa de acerto superior a 90% em alguns cenários pré determinados em ensaios conduzidos em setup de laboratório. Com o objetivo de flexibilizar o processo de aquisição e treinamento dos sistemas classificató- rios, este trabalho propõe o desenvolvimento de um protótipo de um classificador Random Forest sistema embarcado em FPGA capaz de adquirir, processar e classificar movimentos localmente sem a necessidade de um ambiente de laboratório. A motivação desta abordagem se deve ao fato de não haver na literatura especializada uma grande abordagem dedicada ao uso de sistemas embarcados além de avaliar o efeito do paralelismo em sistemas de aquisição multicanais. O modelo inteligente proposto apresentou uma taxa de acerto de 83% na classificação da base Flor de Iris e de 81% quando classificando os sinais de sEMG do repositório NinaPRO. Quando submetido a aquisição de dados experimentais, o modelo apresentou uma taxa de 73,8% de acerto nos movimentos propostos. Estas taxas estão abaixo dos resultados encontrados na literatura clássica, porém estes resultados foram obtidos computacionalmente em que a quantidade de recursos de hardware disponíveis para processamento são abundantes enquanto que neste trabalho uma grande quantidade de recursos da FPGA foram utilizados totalizando 95,6% das LUTs disponíveis e 79,4% da memória RAM disponível no sistema.

In recent decades, the study of myoelectric signals has been widely disseminated with the aim of improving motor capacity or diagnosing disorders related to human movement. Different machine learning techniques have been developed with the aim of helping to control prostheses by predicting the movement performed. In the literature, studies are found with a hit rate greater than 90% in some predetermined scenarios in tests conducted in laboratory setup. With the objective of making the process of acquisition and training of classification systems more flexible, this work proposes the development of a prototype of a classifier Random Forest embedded system in FPGA able to acquire, process and classify movements locally without the need of a controlled environment. The motivation for this approach is due to the fact that in the specialized literature there is not a large approach dedicated to the use of embedded systems in addition to evaluating the effect of parallelism in multichannel acquisition systems. The proposed intelligent model presented a hit rate of 83% in the classification of the Iris dataset and of 81% when classifying the sEMG signals from the NinaPRO repository. When submitted to the acquisition of experimental data, the model presented a rate of 73.8% of success in the proposed movements. These rates are below the results found in the classical literature, but these results were obtained computationally in which the amount of hardware resources available for processing are abundant while in this work a large amount of FPGA resources were used, totaling 95.6% of the Available LUTs and 79.4% of available RAM on the system.