Clasificación de señales mioeléctricas a partir de SVMs para el accionamiento de una prótesis transtibial
"En este trabajo de investigación se realiza la clasificación de señales mioeléctricas, utilizando un algoritmo a través de máquinas de soporte vectorial. El objetivo de esta clasificación es que, en trabajos posteriores, el resultado de la clasificación se utilice en el accionamiento de prótes...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis doctoral |
| Estado: | Versión publicada |
| Fecha de publicación: | 2021 |
| País: | México |
| Institución: | Universidad Autónoma de Querétaro |
| Repositorio: | Repositorio Institucional de la Universidad Autónoma de Querétaro |
| OAI Identifier: | oai:ri-ng.uaq.mx:123456789/2884 |
| Acceso en línea: | http://ri-ng.uaq.mx/handle/123456789/2884 |
| Access Level: | acceso abierto |
| Palabra clave: | Clasificación de señales mioeléctricas Máquinas de soporte vectorial SVMs INGENIERÍA Y TECNOLOGÍA |
| Sumario: | "En este trabajo de investigación se realiza la clasificación de señales mioeléctricas, utilizando un algoritmo a través de máquinas de soporte vectorial. El objetivo de esta clasificación es que, en trabajos posteriores, el resultado de la clasificación se utilice en el accionamiento de prótesis que se encuentren debajo de la rodilla. Para el desarrollo de la investigación se diseñaron y elaboraron tarjetas de adquisición de señales de electromiografía, las cuales envían las señales obtenidas a la PC. Con éstas se conformó una base de datos, con la cual se hicieron las pruebas de clasificación. Para el pretratamiento, las señales son filtradas y posteriormente se les hace una extracción de características, para formar el vector de entrada al algoritmo. En una primera etapa, se realizó una comparativa de canales, con la finalidad de conocer si los cuatro canales utilizados son necesarios para obtener una mejor clasificación. Sin embargo, se encontró que uno de los músculos no tiene suficiente relevancia. Luego se analizaron diferentes algoritmos de selección de características, encontrando que el más efectivo es el Relief. Después se implementaron diferentes algoritmos de reducción de características, y se eligió implementar un análisis de componentes principales. Más adelante, se realizaron comparaciones entre los resultados de la clasificación obtenidos con diferentes kernels, cuyos resultados arrojaron que el kernel lineal es el más útil al clasificar las señales de electromiografía obtenidas. Los parámetros usados para comparar el algoritmo fueron eficiencia, precisión, sensibilidad y especificidad. Para calcularlos se utilizaron matrices de confusión y se hicieron 10 diferentes pruebas. En la etapa de validación se utilizó otra base de datos utilizada en la clasificación de otra publicación, probando que el algoritmo propuesto en este trabajo de investigación es mejor. Se mejoró la clasificación desde un 2.75% hasta un 6.95%. Con las 10 pruebas realizadas al algoritmo propuesto, la especificidad promedio fue del 98%, la sensibilidad del 88%, la exactitud del 96.6% y la precisión del 87.9%." |
|---|