Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/30511| Título: | Estudo e classificação de gestos de sinalização cirúrgica por meio de eletromiografia de superfície |
| Título(s) alternativo(s): | Study and classification of surgical signaling gestures through surface electromyography |
| Autor(es): | Freitas, Melissa La Banca |
| Orientador(es): | Stevan Junior, Sergio Luiz |
| Palavras-chave: | Eletromiografia Instrumentos e aparelhos cirúrgicos Classificação Processamento de sinais Electromyography Surgical instruments and apparatus Classification Signal processing |
| Data do documento: | 11-Nov-2022 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Ponta Grossa |
| Citação: | FREITAS, Melissa La Banca. Estudo e classificação de gestos de sinalização cirúrgica por meio de eletromiografia de superfície. 2022. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Tecnológica Federal do Paraná, Ponta Grossa, 2022. |
| Resumo: | A sinalização cirúrgica é uma linguagem específica baseada no conjunto de gestos adotados em ambiente cirúrgico para facilitar a comunicação em manobras realizadas durante os procedimentos. Através da sinalização, o cirurgião transmite a informação ao instrumentador de qual instrumento precisa, reduzindo o tempo total da cirurgia e os erros causados por falhas na comunicação verbal. Com o avanço da tecnologia, sistemas de telecirurgia e cirurgia robótica estão cada vez mais presentes, sendo necessário que estes procedimentos cirúrgicos estejam adequados frente ao avanço da tecnologia. Neste sentido, o presente trabalho tem como objetivo apresentar uma análise de viabilidade do uso de sinais de eletromiografia de superfície (sEMG) e ferramentas de reconhecimento de padrões para classificar gestos de sinalização cirúrgica, visando auxiliar procedimentos cirúrgicos. A aquisição foi feita utilizando a armband comercial MyoTM. A base de dados foi adquirida por meio de 10 voluntários ao realizar 14 gestos de sinalização cirúrgica referentes à solicitação de instrumentos (compressa, fio em carretel, fio solto, pinça Backhaus, pinça hemostática, pinça hemostática Kelly, afastador de Farabeuf, bisturi, porta agulha, válvula Doyen, pinça Allis, pinça anatômica, pinça dente de rato e tesoura) em 30 aquisições. Foram extraídas dezessete características do domínio do tempo e duas do domínio da frequência. A seleção dos grupos de características foi feita com base em trabalhos que também utilizam a classificação de gestos envolvendo a mão e o punho e que apresentaram bons resultados na classificação. A classificação dos 14 gestos foi feita utilizando os algoritmos LDA (Análise dos Discriminantes Lineares), QDA (Análise dos Discriminantes Quadráticos), KNN (K-Vizinhos Próximos), RF (Florestas Aleatórias), SVM (Máquina de Vetores de Suporte) e MLP (Perceptron de Múltiplas Camadas) e Ensemble (combinação de classificadores). A avaliação dos resultados foi feita de três maneiras diferentes: analisando os classificadores com relação ao seu acerto geral; para os diferentes 14 gestos; e para os indivíduos. O sistema proposto é viável caso haja uma calibração antes do uso para cada indivíduo e ajuste dos gestos utilizados, pois foi obtida uma taxa de acerto de mais de 90% para os indivíduos com os melhores resultados, além de 100% de taxa de acerto para os 10 indivíduos em um determinado gesto. |
| Abstract: | Hand Signals in surgery are a specific language based on the set of gestures adopted in a surgical environment to facilitate communication for procedures handling. Through the signaling, the surgeon transmits the information to the scrub nurse which instrument he needs, thus reducing the total time of the surgery and the errors caused by failures in verbal communication. With the advancement of technology, telesurgery systems and robotic surgery are increasingly present, and these surgical procedures need to be adequate in the face of technological advances. In this sense, the present work aims to present a feasibility analysis of the use of surface electromyography (sEMG) signals and pattern recognition tools to classify surgical signaling gestures, aiming to assist surgical procedures. The acquisition was made using the commercial MyoTM armband. The composition of the database involved the acquisition of data from 10 volunteers when performing 14 hand signals referring to the request for instruments (compress, thread on spool, untied thread, Backhaus forceps, hemostatic forceps, Kelly hemostat forceps, Farabeuf retractor, scalpel, needle holder, Doyen valve, Allis forceps, anatomical forceps, rat tooth forceps and scissors) in 30 acquisitions. Seventeen features were extracted from the time domain and two from the frequency domain. The selection of groups of characteristics was based on studies that also use the classification of gestures involving the hand and wrist and that presented good results in the classification. The classification of the 14 gestures was performed using the algorithms LDA (Linear Discriminant Analysis), QDA (Quadratic Discriminant Analysis), KNN (K-Nearest Neighbor), RF (Random Forests), SVM (Support Vector Machine), MLP (Multilayer Perceptron), and Ensemble (combination of classifiers). The proposed system is viable if there is a calibration before use for each individual and adjustment of the gestures used, as an accuracy of more than 90% was obtained for individuals with the best results, in addition to a 100% of accuracy hit rate for the 10 individuals in a given gesture. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/30511 |
| Aparece nas coleções: | PG - Programa de Pós-Graduação em Engenharia Elétrica |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| classificacaosinalizacaocirurgicaeletromiografia.pdf | 3,83 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
