Resumo: A miografia de força (FMG) baseia-se em detectar os movimentos dos músculos através da força constituindo uma alternativa à tradicional eletromiografia de superfície. Assim, o projeto tem como objetivo o desenvolvimento de um sistema de sensoriamento não invasivo baseado em FMG utilizando fibras ópticas com dois canais com componentes modulares e portáteis para de tecção de posturas da mão. Projetou-se transdutores, os quais foram fixados no antebraço do usuário por meio de alças, com o intuito de monitorar o músculo extensor dos dedos e a região carpal anterior. Os sinais FMG adquiridos foram correlacionados com as posturas através de um classificador de rede MLP (multilayer perceptron - MLP). Testou-se redes com uma, duas e três camadas intermediárias, bem como o número de neurônios de cada camada com arquitetura de retropropagação, seguida por uma camada competitiva. Os resultados gerais para 7 posturas in dicaram uma acurácia de 98,04% e precisão de 98,21% utilizando a arquitetura com uma e três camadas intermediárias. Enquanto com a rede MLP com duas camadas obteve toda a base de teste prevista corretamente, sendo esses resultados comparáveis ao FMG de alta densidade. Além disso, o uso de apenas dois canais permitiu um esquema de interrogação simples e de baixo custo, sendo adequado para projetos embarcados e para outras aplicações em interfaces homem-máquina, mas prezando a confiabilidade e robustez Ver menos

Abstract: Force myography (FMG) is based on detecting muscle movements through force, providing an alternative to traditional surface electromyography (sEMG). Thus, the project aims to develop a non-invasive sensing system based on FMG using optical fibers with two channels with modular and portable components for detecting hand postures. Transducers were designed, which were fixed on the user's forearm by means of straps, in order to monitor the extensor digitorum muscle and anterior carpal region. The acquired FMG signals were correlated with postures using an MLP (multilayer perceptron - MLP) network classifier. Networks with one, two and three intermediate layers were tested, as well as the number of neurons in each layer with backpropagation architecture, followed by a competitive layer. The general results for 7 postures indicated an accuracy of 98,04 % and precision of 98,21% using the architecture with one and three intermediate layers. Whereas the MLP network with two layers it obtained the entire test base correctly predicted, these results being comparable to the high density FMG. In addition, the use of only two channels allowed for a simple and low-cost interrogation scheme, being suitable for embedded projects and for other applications in human-machine interfaces, but valuing reliability and robustness Ver menos