Perfeccionamiento de un sistema inalámbrico implantable de electromiografía.

Abstract

La electromiografía (EMG) permite registrar la actividad eléctrica muscular con aplicaciones en diagnóstico clínico, rehabilitación y control de prótesis. No obstante, los sistemas basados en electrodos superficiales presentan limitaciones de ruido y estabilidad, lo que motiva el desarrollo de implantes inalámbricos. Este Trabajo de Fin de Máster aborda el la optimización de un sistema de EMG implantable e inalámbrico basado en \textit{Bluetooth Low Energy} (BLE). El proyecto se estructura en dos ejes principales: (i) la caracterización completa del hardware, evaluando parámetros como respuesta en frecuencia, ruido, estabilidad temporal y robustez del enlace inalámbrico, y (ii) el diseño de un flujo de procesado digital capaz de reducir en un \qty{98.7}{\percent} el volumen de datos transmitidos mediante la extracción incremental de cuatro características no redundantes (MAV, WL, WAMP y MAVSLP), manteniendo la información discriminante necesaria para clasificación mioeléctrica. En conjunto, el trabajo demuestra la viabilidad de integrar en un único dispositivo implantable la adquisición, procesado local y transmisión inalámbrica eficiente de señales EMG.

Electromyography (EMG) enables the recording of muscle electrical activity, with applications in clinical diagnosis, rehabilitation, and prosthetic control. However, surface electrode-based systems present limitations in terms of noise and stability, motivating the development of wireless implants. This Master’s Thesis addresses the optimization of an implantable and wireless EMG system based on \textit{Bluetooth Low Energy} (BLE). The project is structured around two main axes: (i) the complete characterization of the hardware, evaluating parameters such as frequency response, noise, temporal stability, and robustness of the wireless link, and (ii) the design of a digital processing pipeline capable of reducing the transmitted data volume by \qty{98.7}{\percent} through the incremental extraction of four non-redundant features (MAV, WL, WAMP, and MAVSLP), while preserving the discriminative information required for myoelectric classification. Overall, this work demonstrates the feasibility of integrating, within a single implantable device, signal acquisition, local processing, and efficient wireless transmission of EMG signals.