Resumen

Objetivo: evaluar un grupo de características en un algoritmo de reconocimiento de patrones mioeléctricos para discriminar cinco posiciones angulares de la muñeca durante los movimientos de flexoextensión. Materiales y métodos: se realizó una configuración experimental para adquirir EMG y ángulo articular de la muñeca, relacionado con los movimientos de flexión-extensión. Después de eso, se implementó un algoritmo de reconocimiento de patrones mioeléctricos basado en una red neuronal artificial de perceptrón multicapa (ANN). Se emplearon tres grupos diferentes: características de dominio de tiempo, parámetros de modelos autorregresivos (AR) y representación de frecuencia de tiempo usando la transformación Wavelet (WT). Resultados y discusión: los resultados experimentales de 10 sujetos sanos indican que los coeficientes de los modelos AR ofrecen los mejores parámetros para la clasificación, alcanzando una tasa de discriminación del 78 % en cinco posiciones angulares estudiadas. La combinación de frecuencia y frecuencia de tiempo proporcionó una tasa de discriminación que alcanzó el 82 %. Conclusiones: se ha realizado un estudio comparativo de grupos de características que permiten discriminar la posición angular, a nivel del movimiento de flexo-extensión de la muñeca, mediante un algoritmo basado en reconocimiento de patrones de la señales EMG. El método tiene potencial aplicación en el ámbito de la ingeniería de rehabilitación, para la detección de la intencionalidad de movimiento del usuario.

Introducción

La detección de la intención de movimiento es un proceso enfocado a determinar la orden voluntaria de un usuario, principalmente para el control de sistemas externos. Dicha detección puede realizarse a partir de señales bioeléctricas como las captadas mediante electromiografía (EMG). El análisis de EMG puede ser utilizado en aplicaciones como el diagnóstico y análisis de anomalías relacionadas con alteraciones en la forma de realizar el movimiento, lo que permite detectar la presencia de patologías, y también en aplicaciones para el control de robots y exoesqueletos.

De esta forma, el procesamiento de señales EMG es una herramienta útil para la detección de intención de movimiento a través del registro de potenciales de acción producidos por la activación de los músculos esqueléticos, donde la señal EMG está compuesta por descargas consecutivas conocidas como potenciales de acción de unidad motora (MUAPs). La señal EMG es el resultado de la suma de MUAPs superpuestos; por lo tanto, puede descomponerse en la actividad de cada uno de ellos. Para registrar este tipo de señales se prefiere una técnica no invasiva en la que se colocan electrodos en la superficie de la piel, conocida como electromiografía de superficie (sEMG).

• Materias:Señales fisiológicas Frecuencia Redes neuronales artificiales
• Subjects:Physiological signals Frequency Artificial neural networks
• Palabras claves:intencionalidad de movimiento, señales de electromiografía, reconocimiento de patrones, técnicas de aprendizaje automático, redes neuronales artificiales.
• Keywords:Movement intent, electromyography signals, pattern recognition, machine learning techniques, artificial neural networks.