Aplicação do Método ASTERI na representação de sinais HD-EMG para classificação de gestos utilizando algoritmos de aprendizado de máquina

Abstract

As desordens neuromusculares que afetam os membros superiores exigem métodos cada vez mais precisos para a análise e o reconhecimento de movimentos. Nesse cenário, os sinais de eletromiografia de alta densidade (HD-EMG) associados a técnicas de aprendizado de máquina oferecem novas possibilidades para a identificação de padrões musculares. Este trabalho propõe a aplicação do método ASTERI na conversão de sinais HD-EMG em imagens bidimensionais, viabilizando o uso de arquiteturas profundas, como redes neurais convolucionais (CNNs), para extração de características relevantes na classificação de gestos manuais. Foram utilizados dados públicos da base PhysioNet, obtidos de 20 voluntários saudáveis durante a execução de 34 gestos distintos. Após o pré-processamento e a conversão dos sinais em imagens, diferentes classificadores foram avaliados. O modelo SVM com kernel polinomial de grau 1 apresentou o melhor desempenho, alcançando acurácia de 72,14% em validação cruzada e 72,47% no conjunto de teste, com sensibilidade de 0,73 e área sob a curva ROC (AUC) de 0,87. Esses resultados demonstram a eficácia do método ASTERI aliado ao aprendizado de máquina na análise de sinais mioelétricos, ressaltando seu potencial para aplicações futuras em tecnologias assistivas, interfaces cérebro-máquina (BMI) e sistemas de apoio ao diagnóstico neuromuscular.