Diseño e implementación de una metodología para la adquisición, clasificación e interpretación de señales electromiográficas para personas con algún tipo de discapacidad o amputación de mano
El propósito de este trabajo es establecer una metodología para adquirir, clasificar e interpretar señales electromiográficas en personas con discapacidades o amputaciones de mano, con el objetivo de desarrollar un modelo de clasificación óptimo para aplicaciones de prótesis de mano electromecánica...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis doctoral |
| Estado: | Versión publicada |
| Fecha de publicación: | 2023 |
| País: | México |
| Institución: | Universidad Autónoma del Estado de Morelos |
| Repositorio: | Repositorio Institucional de Acceso Abierto de la Universidad Autónoma del Estado de Morelos |
| Idioma: | español |
| OAI Identifier: | oai:http://riaa.uaem.mx:20.500.12055/4129 |
| Acceso en línea: | http://riaa.uaem.mx/handle/20.500.12055/4129 |
| Access Level: | acceso abierto |
| Palabra clave: | info:eu-repo/classification/cti/7 info:eu-repo/classification/cti/33 |
| Sumario: | El propósito de este trabajo es establecer una metodología para adquirir, clasificar e interpretar señales electromiográficas en personas con discapacidades o amputaciones de mano, con el objetivo de desarrollar un modelo de clasificación óptimo para aplicaciones de prótesis de mano electromecánica o rehabilitación de amputados. Nuestro enfoque se basó en una base de datos pública que contenía señales mioeléctricas de 50 movimientos diferentes de 40 individuos sanos y 11 amputados. Para lograrlo, empleamos cuatro conjuntos de características en el dominio del tiempo (TD) y dos estructuras de redes neuronales profundas (Deep Learning): una Red Neuronal Artificial (ANN) y una Red Neuronal Convolucional (CNN). Estas redes se eligieron debido a su desempeño probado en la literatura. Dado que nuestra aplicación involucra la toma de decisiones en intervalos cortos de tiempo, trabajamos con dos segmentaciones de ventana diferentes, de 200 ms y 150 ms respectivamente. Además, en el caso de las redes CNN, introdujimos una variable adicional: la forma de estructurar las imágenes para crear la base de datos de entrenamiento y validación. Exploramos cuatro tipos de imágenes, uno de los cuales fue propuesto por nosotros por primera vez en la literatura. Para evaluar los resultados, consideramos todas las combinaciones posibles de características, estructura de red neuronal, segmentación de ventana y tipo de formación de imágenes. Nuestros hallazgos generales fueron los siguientes: 1) La CNN demostró el mejor rendimiento tanto para personas sanas como amputadas, 2) El grupo de características en el dominio del tiempo que utiliza información del espectro de potencia de una señal (TD-PSD), propuesto por primera vez en este trabajo, arrojó los mejores resultados, 3) La segmentación de ventana de 150 ms fue la más efectiva en todos los casos, 4) El tipo de imagen más eficaz fue una variante propuesta que reorganiza los canales de adquisición y las características extraídas mediante un algoritmo de adyacencia. Además, como parte de nuestra metodología, evaluamos el rendimiento del modelo de clasificación eliminando iterativamente los datos de los movimientos con menor rendimiento. Esto nos permitió concluir que el rendimiento general del modelo mejora a medida que se excluyen los datos de los movimientos menos efectivos, y que los movimientos de mejor rendimiento varían de persona a persona. En resumen, proponemos una metodología de clasificación de señales electromiográficas basada en los hallazgos mencionados en este estudio. |
|---|