Control de prótesis robotizada por medio de señales mioeléctricas

Abstract

La tesis profundiza en el dominio del procesamiento y clasificación de señales de Electromiografía de Superficie (sEMG), centrándose en distinguir los movimientos de la mano y la muñeca mediante técnicas avanzadas de aprendizaje automático. El proyecto abarca tres objetivos principales: desarrollar un dispositivo de grabación de sEMG, crear un banco de pruebas de aprendizaje profundo (DL) para la comparación de modelos y explorar aplicaciones futuras de esta tecnología.

La investigación utilizó el conjunto de datos NINAPRO DB5, que consiste en grabaciones de sEMG de 12 canales a 200 Hz, para entrenar y evaluar un modelo basado en una Red Neuronal Convolucional (CNN). Se empleó una técnica de ventana deslizante para la segmentación de datos con el fin de mantener las dependencias temporales, cruciales para una clasificación precisa. El modelo CNN fue elegido por su robustez en el manejo de dependencias espaciales y temporales en los datos de sEMG, lo que le permite extraer características significativas y mejorar el rendimiento de la clasificación.

El proyecto enfrentó desafíos, particularmente en la distinción de movimientos con patrones de activación muscular similares. El modelo CNN demostró un potencial significativo, pero destacó la necesidad de una mayor optimización para mejorar la robustez contra el ruido y la variabilidad en las señales. La augmentación de características y la introducción de variables adicionales mejoraron el rendimiento del modelo, pero la combinación de CNN con otras técnicas de aprendizaje profundo como Redes de Memoria a Largo Plazo (LSTM) o Unidades Recurrentes Condicionales (GRU) podrían capturar mejor la dinámica de las señales de sEMG.

Los hallazgos tienen implicaciones significativas para el desarrollo de tecnologías asistenciales, particularmente en prótesis y rehabilitación. La clasificación precisa de los movimientos de la mano y la muñeca utilizando señales de sEMG puede conducir a sistemas de control más intuitivos y receptivos para las extremidades protésicas, mejorando la calidad de vida de las personas que dependen de dispositivos asistenciales. El trabajo futuro incluye optimizar la eficiencia energética, habilitar la transmisión inalámbrica de datos e integrar el preprocesamiento digital en el microprocesador del implante para reducir la sobrecarga de transmisión de datos y permitir un análisis eficiente de señales en tiempo real.

The thesis delves into the domain of surface Electromyography (sEMG) signal processing and classification, focusing on distinguishing hand and wrist movements through advanced machine learning techniques. The project encompasses three main goals: developing a sEMG recording device, creating a deep learning (DL) testbench for model comparison, and exploring future applications of this technology.

The research utilized the NINAPRO DB5 dataset, which consists of 12-channel sEMG recordings at 200 Hz, to train and evaluate a Convolutional Neural Network (CNN)-based model. A sliding window technique was employed for data segmentation to maintain temporal dependencies, crucial for accurate classification. The CNN model was chosen for its robustness in handling spatial and temporal dependencies in sEMG data, allowing it to extract meaningful features and improve classification performance .

The project faced challenges, particularly in distinguishing movements with similar muscle activation patterns. The CNN model demonstrated significant potential but highlighted the need for further optimization to enhance robustness against noise and variability in signals. Feature augmentation and the introduction of additional variables improved the model's performance, but combining CNNs with other deep learning techniques like Long Short-Term Memory (LSTM) networks or Gated Recurrent Units (GRUs) might better capture the dynamics of sEMG signals .

The findings have significant implications for developing assistive technologies, particularly in prosthesis and rehabilitation. Accurate classification of hand and wrist movements using sEMG signals can lead to more intuitive and responsive control systems for prosthetic limbs, improving the quality of life for individuals relying on assistive devices. Future work includes optimizing power efficiency, enabling wireless data transmission, and integrating digital preprocessing on the implant's microprocessor to reduce data transmission overhead and enable efficient real-time signal analysis .