Este repositório contém o Manual Didático utilizado nas disciplinas:
- OPT020 – Reconhecimento de Padrões
- OPT012 – Interfaces Não Convencionais
- Disciplinas correlatas do curso de Bacharelado em Ciência da Computação da UTFPR – Campus Campo Mourão
👨🏫 Autor: Prof. Dr. Rodrigo Hübner
📅 Última atualização: 05/06/2026
Este manual tem como principal objetivo apresentar conceitos teóricos e práticos de Reconhecimento de Padrões, com foco em aplicações envolvendo Eletromiografia de Superfície (sEMG).
O material foi desenvolvido com uma abordagem didática e aplicada, permitindo que os alunos:
- Compreendam o pipeline completo de reconhecimento de padrões aplicados em sEMG
- Trabalhem com sinais reais de sEMG de um dataset
- Desenvolvam soluções baseadas em aprendizado de máquina
- Experimentem técnicas de processamento de sinais biomédicos
O fluxo de estudo segue uma sequência progressiva, cobrindo:
- Carregamento de dados
- Visualização
- Definição de protocolo experimental
- Pré-processamento de sinais
- Filtragem
- Extração de características
- Classificação
- Ajuste de hiperparâmetros
- Redes neurais artificiais
Os materiais estão organizados principalmente em Jupyter Notebooks, que funcionam como roteiros práticos:
├── 01-load_dataset.ipynb
├── 02-visualization.ipynb
├── 03-protocol.ipynb
├── 04-preprocessing.ipynb
├── 04b-filters.ipynb
├── 05-features.ipynb
├── 06-classification.ipynb
├── 07-tunning.ipynb
├── 08-rna.ipynb
- 01-load_dataset.ipynb → Carregamento e organização dos dados
- 02-visualization.ipynb → Visualização dos sinais
- 03-protocol.ipynb → Definição do protocolo experimental
- 04-preprocessing.ipynb → Etapas de pré-processamento
- 04b-filters.ipynb → Aplicação de filtros nos sinais
- 05-features.ipynb → Extração de características
- 06-classification.ipynb → Modelos de classificação
- 07-tunning.ipynb → Ajuste de hiperparâmetros
- 08-rna.ipynb → Redes neurais artificiais
- 📁 datasets/ → Conjuntos de dados utilizados nas análises
- 🖼️ images/ → Imagens e figuras auxiliares dos notebooks
Para executar os notebooks, recomenda-se:
- Python 3.8+
- Jupyter Notebook ou Jupyter Lab
- numpy
- pandas
- matplotlib
- scipy
- scikit-learn
- tensorflow / keras (para redes neurais)
- Clone o repositório:
git clone https://github.com/seu-usuario/seu-repositorio.git- Acesse a pasta:
cd seu-repositorio- Execute o Jupyter:
jupyter notebook- Prof. Dr. Rodrigo Hübner
- rodrigohubner@utfpr.edu.br
- UTFPR – Campus Campo Mourão