SISTEMA AUTOMATICO DI RICONOSCIMENTO DEI MOVIMENTI DELLA MANO DA SEGNALI ELETTROMIOGRAFICI

This thesis presents a highly efficient hybrid system for hand movement recognition based on surface electromyography (sEMG) signals. The architecture utilizes Empirical Mode Decomposition (EMD) for adaptive denoising and targeted feature extraction, overcoming the limitations of linear filters and reducing overfitting on raw data. The pre-processed input feeds a "lean" Artificial Neural Network (ANN) to ensure computational efficiency suitable for real-time operation. The application of a Hybrid Balancing (HB) strategy, which includes SMOTE, eliminated the classifier's bias toward the rest class.

Questo lavoro di tesi presenta un sistema ibrido ad alta efficienza per il riconoscimento dei movimenti della mano da segnali elettromiografici di superficie (sEMG). L'architettura utilizza la Empirical Mode Decomposition (EMD) per un denoising adattivo e per l'estrazione di feature mirate, superando i limiti dei filtri lineari e riducendo l'overfitting su dati grezzi. L'input preprocessato alimenta una Artificial Neural Network (ANN) "snella" per garantire un'efficienza computazionale adatta al tempo reale. L'applicazione di una strategia di Hybrid Balancing (HB), che include SMOTE, ha eliminato il bias del classificatore verso la classe di riposo.