Aprendizado de máquina não supervisionado aplicado à decomposição de sinais mioelétricos de alta densidade

Resumo

A decomposição dos sinais de eletromiografia de superfície em alta densidade (HD sEMG) emtrens de disparos de unidades motoras abre uma janela "não invasiva" para os mecanismos neurais de controle do movimento. Os sinais obtidos a partir da decomposição têm relevância não só científica, para o entendimento da fisiologia do sistema motor, mas também tecnológica, para o controle de interfaces homem-máquina (e.g. próteses mioelétricas). Algoritmos clássicos de separação cega de fontes têm sido utilizados para a decomposição do HD EMG, porém, estes algoritmos ainda não resolveram completamente o problema de decomposição de sinais não estacionários e com uma baixa latência (aplicações online). Algumas aplicações recentes tentam contornar estas limitações incluindo um algoritmo de aprendizado profundo supervisionado no processo de decomposição online. No presente projeto de doutorado, o objetivo é estabelecer uma formulação matemático-computacional para a solução do problema de decomposição de sinais HD EMG usando algoritmos de aprendizado de máquina não supervisionados. Serão testados os autoencoders e as redes generativas adversárias (e combinações destas classes de algoritmos) para a solução do problema de separação cega de fontes aplicado ao problema de decomposição dos sinais de HD EMG. Com isto esperamos propor um algoritmo que seja eficiente para a solução do problema e que ao mesmo tempo possa futuramente ser incluído em uma plataforma tecnológica para o controle neural biomimético de dispositivos protéticos ou ortóticos. (AU)