Please use this identifier to cite or link to this item: http://repositorio.unicamp.br/jspui/handle/REPOSIP/332000
Full metadata record
DC FieldValueLanguage
dc.contributor.CRUESPUNIVERSIDADE ESTADUAL DE CAMPINASpt_BR
dc.descriptionOrientadores: João Mauricio Rosario, Oscar Fernando Aviléspt_BR
dc.descriptionTese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Mecânicapt_BR
dc.format.extent1 recurso online (155 p.) : il., digital, arquivo PDF.pt_BR
dc.format.mimetypeapplication/pdfpt_BR
dc.languagePortuguêspt_BR
dc.relation.requiresRequisitos do sistema: Software para leitura de arquivo em PDFpt_BR
dc.typeTESE DIGITALpt_BR
dc.titleIdentificação de movimentos a partir da intensão de preensão, baseado em Deep Learning, com sinais de EMGs para utilização como IHM em dispositivos robóticospt_BR
dc.title.alternativeMovement Identification from the intention of grasping, based on deep learning, with signals EMGs for use as HMI in robotic devicespt_BR
dc.contributor.authorHernandez Beleño, Ruben Dario, 1986-pt_BR
dc.contributor.advisorRosário, João Maurício, 1959-pt_BR
dc.contributor.coadvisorSanchez, Oscar Fernando Avilespt_BR
dc.contributor.institutionUniversidade Estadual de Campinas. Faculdade de Engenharia Mecânicapt_BR
dc.contributor.nameofprogramPrograma de Pós-Graduação em Engenharia Mecânicapt_BR
dc.subjectBioengenhariapt_BR
dc.subjectBiomecânicapt_BR
dc.subjectRobóticapt_BR
dc.subject.otherlanguageBioengineeringen
dc.subject.otherlanguageBiomechanicsen
dc.subject.otherlanguageRoboticsen
dc.description.abstractResumo: Esta tese contribui com a parametrização e caracterização dos sinais de eletromiografia de superfície usando a aprendizagem em profundidade (Deep Learning) como técnica avançada no reconhecimento de padrões para reproduzir os movimentos de preensão de uma mão robótica em ambientes industriais através da interação homem-máquina. A análise para reproduzir os movimentos da mão é realizada a partir da interação dos sinais de eletromiografia das ações, que geram uma resposta cognitiva com o objetivo de replica-lo para que o dispositivo robótico possa realizar o movimento de preensão de acordo com o movimento realizado pelo usuário. Nesta tese, parte-se da bancada experimental MUC-1 previamente desenvolvida no Laboratório de Automação Integrada e Robótica (LAIR) da Universidade Estadual de Campinas e acrescentam-se funções que aumentam o escopo e melhoram a exequibilidade dos testes. A técnica de obtenção dos valores experimentais dos dados é baseada na adaptação do sensor MYO armband® por meio dos oito bio-sensores de eletromiografia relacionando a cinemática e dinâmica da mão pela identificação dos músculos do braço correspondente aos métodos de preensão, os quais são aprimorados por médio do método baseado em redes neuronais convolucionais da aprendizagem em profundidade previamente investigado na literatura para o reconhecimento de padrões. Para validação do sistema proposto, foi construído três arquiteturas de redes convolucionais, viabilizando a execução do teste virtual por meio da mão implementada no Simmechanics de Matlab® e no modelo real MUC-1. Por fim, o procedimento experimental resultante é documentado e as etapas prévias de modelagem e filtragem são descritas de acordo com as condições de preensão de objetos de figuras geométricas preestabelecidas que são executadas no dispositivo robótico de forma naturalpt
dc.description.abstractAbstract: This thesis contributes to the parametrization and characterization of surface electromyography signals using deep learning as an advanced technique in pattern recognition to reproduce the grip movements of a robotic hand in industrial environments through the man-machine interaction. The analysis to reproduce the movements of the hand is made from the interaction of the electromyography signals of the actions, which generate a cognitive response to replicate it so that the robotic device can perform the grip movement, in accordance with the movement made by the user. Some part of this thesis is experimental bench MUC-1 previously developed in the Laboratory of Automation and Robotics (LAIR) at the State University of Campinas and added functions that increase the scope and improve the feasibility of testing. The technique of obtaining the experimental values of the data is based on the adaptation of the MYO armband® sensor through the eight bio-sensors of electromyography relating the kinematics and dynamics of the hand by the identification of the muscles of the arm corresponding to the grasping methods, which are improved by the method based on convolutional neuronal networks of in-depth learning previously research in the literature for the recognition of patterns. For the validation of the proposed system, three convolutional network architectures were built, enabling the virtual test execution through the hand implemented in the Matlab® Simmechanics and in the real MUC-1 model. Finally, the resulting experimental process is documented and the previous stages of modeling and filtering are described according to the prehension conditions of objects of geometric figures that are executed in the robotic device in a natural wayen
dc.publisher[s.n.]pt_BR
dc.date.issued2018pt_BR
dc.identifier.citationHERNANDEZ BELEÑO, Ruben Dario. Identificação de movimentos a partir da intensão de preensão, baseado em Deep Learning, com sinais de EMGs para utilização como IHM em dispositivos robóticos. 2018. 1 recurso online (155 p.). Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Mecânica, Campinas, SP. Disponível em: <http://www.repositorio.unicamp.br/handle/REPOSIP/332000>. Acesso em: 3 set. 2018.pt_BR
dc.description.degreelevelDoutoradopt_BR
dc.description.degreedisciplineMecatrônicapt_BR
dc.description.degreenameDoutor em Engenharia Mecânicapt_BR
dc.contributor.committeepersonalnameSaramago, Marcos Antonio Portapt_BR
dc.contributor.committeepersonalnameMelo, Leonimer Flavio dept_BR
dc.contributor.committeepersonalnameBizarria, Francisco Carlos Parquetpt_BR
dc.contributor.committeepersonalnameBecerra Sablon, Vicente Idalbertopt_BR
dc.date.defense2018-04-11T00:00:00Zpt_BR
dc.date.available2018-09-03T22:34:18Z-
dc.date.accessioned2018-09-03T22:34:18Z-
dc.description.provenanceMade available in DSpace on 2018-09-03T22:34:18Z (GMT). No. of bitstreams: 1 HernandezBeleno_RubenDario_D.pdf: 6948704 bytes, checksum: 49bb20860c9bb0f0668a0218738d546d (MD5) Previous issue date: 2018en
dc.identifier.urihttp://repositorio.unicamp.br/jspui/handle/REPOSIP/332000-
Appears in Collections:FEM - Tese e Dissertação

Files in This Item:
File SizeFormat 
HernandezBeleno_RubenDario_D.pdf6.79 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.