Machine learning strategies for enhancing myoelectric regression performance in the face of training and testing condition differences (2026)
- Authors:
- Autor USP: BECMAN, ERIC CITO - EP
- Unidade: EP
- Sigla do Departamento: PMR
- Subjects: ELETROMIOGRAFIA; APRENDIZADO COMPUTACIONAL; INTELIGÊNCIA ARTIFICIAL; TECNOLOGIA ASSISTIVA; INTERFACE HOMEM-COMPUTADOR
- Language: Inglês
- Abstract: As limitações motoras podem comprometer significativamente a qualidade de vida das pessoas, o que torna essencial o desenvolvimento de dispositivos assistivos eficazes e fáceis de usar, como próteses robóticas e exoesqueletos. O controle simultâneo e proporcional miolétrico (SPC), que utiliza sinais de eletromiograma (EMG) para operar esses dispositivos, tem-se tornado cada vez mais importante nesse contexto, valendo-se principalmente de modelos de regressão de aprendizado de máquina. Visando a melhorar a usabilidade dos dispositivos controlados miolétricamente, esta tese concentra-se no desempenho dos modelos de regressão miolétrica quando as condições de treinamento e de teste diferem. Em particular, foram investigadas estratégias para obter um modelo de regressão de EMG adequado para SPC e que ofereça desempenho robusto apesar de diferenças entre condições de treinamento e teste. Para isso, o projeto é dividido em três partes sequenciais: (1) identificar os dados de entrada, os dados de saída e os modelos de regressão mais adequados ao estudo; (2) analisar como e por que discrepâncias entre as condições de treinamento e teste podem degradar o desempenho de um sistema mioelétrico de SPC; e (3) propor e avaliar soluções capazes de mitigar esses efeitos decorrentes de condições incompatíveis. Em geral, os resultados mostram que a regressão mioelétrica se deteriora de forma específica e consistente quando há diferenças entre treinamento e teste. Esses padrões são interpretados à luz de fatores fisiológicos, de variações no conteúdo de informação e de mudanças na distribuição dos dados. Essa interpretação orienta o desenvolvimento e a avaliação de estratégias voltadas a reduzir o impacto dessas discrepâncias, que demonstraram melhorar o desempenho preditivo mesmo sob condições alteradas. Emsíntese, os achados esclarecem os mecanismos responsáveis pela perda de desempenho e apontam direções práticas para reforçar a robustez da regressão mioelétrica.
- Imprenta:
- Data da defesa: 05.03.2026
-
ABNT
BECMAN, Eric Cito. Machine learning strategies for enhancing myoelectric regression performance in the face of training and testing condition differences. 2026. Tese (Doutorado) – Universidade de São Paulo, São Paulo, 2026. Disponível em: https://www.teses.usp.br/teses/disponiveis/3/3152/tde-17032026-144015/pt-br.php. Acesso em: 26 mar. 2026. -
APA
Becman, E. C. (2026). Machine learning strategies for enhancing myoelectric regression performance in the face of training and testing condition differences (Tese (Doutorado). Universidade de São Paulo, São Paulo. Recuperado de https://www.teses.usp.br/teses/disponiveis/3/3152/tde-17032026-144015/pt-br.php -
NLM
Becman EC. Machine learning strategies for enhancing myoelectric regression performance in the face of training and testing condition differences [Internet]. 2026 ;[citado 2026 mar. 26 ] Available from: https://www.teses.usp.br/teses/disponiveis/3/3152/tde-17032026-144015/pt-br.php -
Vancouver
Becman EC. Machine learning strategies for enhancing myoelectric regression performance in the face of training and testing condition differences [Internet]. 2026 ;[citado 2026 mar. 26 ] Available from: https://www.teses.usp.br/teses/disponiveis/3/3152/tde-17032026-144015/pt-br.php - Effects of increased buffering capacity on electromyogram's power spectrum density behaviour during muscle fatigue
- Asymmetric effects of different training-testing mismatch types on myoelectric regression via deep learning
- A comparison study of myoelectric regression performances when estimating different types of joint kinematic data
- Time series classification for predicting biped robot step viability
- Biped gait stability classification based on the predicted step viability
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
