Pinto LRA, Coronel MFS, Bueno PFL, Galán MJ

Idioma: Español
Referencias bibliográficas: 8
Paginas: 1-14
Archivo PDF: 555.26 Kb.

RESUMEN

Introducción: este artículo presenta la predicción de tres tipos de movimientos básicos de la mano mediante un algoritmo inteligente para extraer características imprescindibles para el reconocimiento de patrones de movimiento a partir del análisis de señales electromiográficas superficiales adquiridas con el dispositivo Myo.
Objetivo: reconocer y predecir patrones básicos de movimiento de la articulación del brazo utilizando electromiografía de superficie para aplicarlo sobre un prototipo de prótesis.
Métodos: se tomaron datos de 13 estudiantes de 22 y 23 años de la Universidad Politécnica Salesiana, cada uno de los cuales ejecutó tres tipos de agarre: cilíndrico, pinza y pinza planar. Se trabajó con una frecuencia de 10 Hz y se tomaron 5 muestras por tipo de agarre durante 60 segundos. Para el análisis estadístico de los datos se utilizó la herramienta Anova, estableciendo un valor de significancia mayor a 0,65.
Resultados: En ciertos voluntarios hay una mayor reacción en el electrodo 1 debido a que su antebrazo es mayor. El tiempo de respuesta para el reconocimiento varía dependiendo del número de variables que se tenga que comparar. Cuando se analiza un solo movimiento es de 2,6 segundos, en cambio, cuando se analizan los 3 movimientos el tiempo de respuesta incrementa a 7,8 segundos por la cantidad de electrodos que se quieran analizar.
Conclusiones: la respuesta del sistema propuesto empieza a ser más lenta a medida que se analizan más movimientos a la vez y por tanto, es menos efectiva. El tiempo de ejecución y respuesta de nuestro sistema, en comparación al estado del arte, es más alto, debido a que se utilizan menos métodos de caracterización de la señal. Adicionalemtne, una limitante del proyecto es la frecuencia de muestreo del dispositivo Myo (200Hz).

REFERENCIAS (EN ESTE ARTÍCULO)

1. Nacional para la Igualdad de Discapacidades (CONADIS)/ Dirección de Gestión Técnica. Ecuador. Febrero 2018. Disponible en: https://www.consejodiscapacidades.gob.ec/estadistica/index.html

2. Morales RD, Morales DÁ, Grisales VH. Caracterización de señales electromiográficas para la discriminación de seis movimientos de la mano. Scientia et technica. 2009;15(42):278-83. https://dx.doi.org/10.22517/23447214.2683

3. Betancourt GA, Giraldo Suárez ED, Franco JF. Reconocimiento de patrones de movimiento a partir de señales electromiográficas. Scientia et technica. 2004;10(26). Disponible en: https://www.redalyc.org/pdf/849/84911640010.pdf

4. Arief Z, Sulistijono IA, Ardiansyah RA. Comparison of five time series EMG features extractions using Myo Armband. International Electronics Symposium (IES). 2015; 11-4. https://dx.doi.org/10.1109/ELECSYM.2015.7380805

5. Masson S, Fortuna F, Moura F, Soriano D, do ABC SB. Integrating Myo armband for the control of myoelectric upper limb prosthesis. In Proceedings of the XXV Congresso Brasileiro de Engenharia Biomédica. 2016. Disponible en: https://www.researchgate.net/profile/Diogo_Soriano/publication/309415054_INTEGRATING_MYO_ARMBAND_FOR_THE_CONTROL_OF_MYOELECTRIC_UPPER_LIMB_PROSTHESIS/links/580f5bf908aee15d4911f2b2.pdf

6. Reyes DA, López MA, Duarte JE, Loaiza H. Implementación en FPGA de un clasificador de movimientos de la mano usando señales EMG. Redes de Ingeniería. 2015;6(1):85-94. https://doi.org/10.14483/udistrital.jour.redes.2015.1.a06

7. García-Pinzón JA, Mendoza LE, Flórez EG. Control de brazo electrónico usando señales electromiográficas. Facultad de Ingeniería. 2015;24(39):71-84. Disponible en: https://www.redalyc.org/pdf/4139/413940776007.pdf

8. Coronel-Maldonado FS, Pinto-León RA, Bueno-Palomeque FL. Identification of basic patterns in hand movements using surface electromyography. IEEE International Autumn Meeting on Power, Electronics and Computing. México. 2017;1-6. https://doi.org/10.1109/ROPEC.2017.8261658