Classificação de Gestos Usando Eletromiografia para Controle de Dispositivos

• Arthur M. Martins UFRN
• Fernanda S. Andrade UFRN
• Gabriel S. Nascimento UFRN
• Gustavo B. Coutinho UFRN
• Moises F. Queiroz UFRN
• Ricardo A. Valentim UFRN
• Danilo P. Nagem UFRN

DOI: https://doi.org/10.5753/sbcas.2019.6300

Resumo

Este estudo aborda a análise da eletromiografia (EMG) para reconhecer posições não convencionais do MyoTM Armband e expandir a lista de padrões de gestos, a fim de controlar dispositivos de forma mais precisa e com mais funcionalidades. Dentre os controles, foi desenvolvido uma biblioteca de comandos que podem ser aplicados em diversos projetos diferentes, como a Interface Homem-Máquina para jogos, controle de dispositivos de multimídia, projetos IoT, controle de eletrodomésticos ou de próteses robóticas. O sistema possibilita o controle de qualquer dispositivo através da contração muscular.

Referências

Akhmadeev K., Rampone E., Yu T., Aoustin Y., Carpentier E. L. A realtime gesture classification using surface EMG to control a robotics hand. ENOC 2017, Jun 2017, Budapest, Hungary. 2017.

De Luca, C. J. (1979). Physiology and mathematics of myoelectric signals. IEEE Transactions on Biomedical Engineering, New York, v. BME-26, n.6, p.313-325.

K. Xing, P. Yang, J. Huang, Y. Wang, Q. Zhu, A real-time EMG pattern recognition method for virtual myoelectric hand control. Neurocomputing, vol. 136, pp. 345–355, Jul. 2014.

InMoov Open Source prosthetic hand. Disponível em: https://inmoov.fr/. Acesso em: 2018.

T. L. Inc. Myo connect start page. Disponível em: https://www.myo.com/start. Acesso em: 2017.

Tomaszewski, M. Myo sdk matlab mex wrapper. Disponível em: https://github.com/marktoma/MyoMex. Acesso em: 2017.