Diseño e implementación de una interfaz biomédica para el control de agentes robóticos móviles

Abstract

Este proyecto consistió en el desarrollo de interfaces biomédicas para la recolección y clasificación de señales electromiográficas (EMG) y electrooculográficas (EOG), con el n de controlar agentes robóticos móviles en tiempo real. Estas interfaces permiten la adquisición y procesamiento de señales bioeléctricas mediante dispositivos como el bitalino para EMG y el biopac para EOG, generando bases de datos propias que pueden ser utilizadas para desarrollar modelos de clasificación o realizar análisis detallados de las señales. El proyecto incluyó la implementación de técnicas de aprendizaje automático, utilizando algoritmos como máquinas de soporte de vectores (SVM) y redes neuronales (RN), para entrenar clasificadores con vectores de características extraídas de las señales procesadas. Las interfaces desarrolladas fueron integradas con agentes robóticos para realizar pruebas de control en tiempo real, logrando clasificaciones con altos niveles de precisión. Los modelos entrenados demostraron la efectividad de estas señales bioeléctricas como métodos no invasivos para el control de dispositivos robóticos. Uno de los objetivos principales fue evaluar la combinación de señales EMG y EOG para mejorar la clasificación de gestos y movimientos. Las pruebas realizadas mostraron que esta combinación incrementa la precisión de los clasificadores en comparación con el uso individual de cada tipo de señal. En el futuro, se espera que estas interfaces sirvan como herramientas para la creación de bases de datos y para investigaciones relacionadas con dispositivos de asistencia médica, aprovechando técnicas avanzadas de clasificación y el potencial de las señales bioeléctricas para aplicaciones innovadoras en el ámbito de la rehabilitación y la robótica.

This project involved the development of biomedical interfaces for the collection and classification of electromyographic (EMG) and electrooculographic (EOG) signals, aimed at controlling mobile robotic agents in real time. These interfaces enable the acquisition and processing of bioelectric signals using devices such as bitalino for EMG and biopac for EOG, generating proprietary databases that can be utilized for developing classification models or conducting detailed signal analyses. The project included the implementation of machine learning techniques, employing algorithms such as Support Vector Machines (SVM) and Neural Networks (NN) to train classi ers using feature vectors extracted from processed signals. The developed interfaces were integrated with robotic agents to perform real-time control tests, achieving high levels of classification accuracy. The trained models demonstrated the efectiveness of these bioelectric signals as non-invasive methods for controlling robotic devices. One of the main objectives was to evaluate the combination of EMG and EOG signals to enhance gesture and movement classification. The tests conducted showed that this combination increases classifer accuracy compared to using each type of signal individually. In the future, these interfaces are expected to serve as tools for creating databases and advancing research related to assistive devices, leveraging advanced classification techniques and the potential of bioelectric signals for innovative applications in rehabilitation and robotics.