Publicación:

Interfaz para el control de sistemas robóticos utilizando combinaciones de señales biomédicas

Resumen

Este trabajo consistió en el desarrollo de tres interfaces biomédicas para la recolección de señales electromiográficas (EMG), señales electroencefalográficas (EEG) y ambas señales combinadas. Estas tres interfaces se desarrollaron con el fin de tener una forma asequible para poder obtener muestras y así poder contar con bases de datos propias. Estas bases de datos pueden ser utilizadas para el desarrollo de modelos de clasificación o post-procesamiento de las señales para su estudio. Al contar con bases de datos propias se procedió a desarrollar otras tres interfaces biomédicas, esta vez para el control de dispositivos robóticos por medio de la adquisición, procesamiento y análisis de las señales EMG y EEG. Usando extracción de características a las señales procesadas se realizaron diversos entrenamientos con técnicas de aprendizaje automático para obtener modelos de clasificación de clases. Con los vectores de características se realizaron entrenamientos mediante máquina de soporte de vectores (SVM) y redes neuronales (RN). Se hicieron diversas pruebas con los algoritmos hasta obtener los mejores resultados para la clasificación de señales EMG, EEG y ambas señales combinadas. Todos los clasificadores con los que se lograron buenos rendimientos se probaron en las interfaces de cada señal. Cada interfaz interactúa directamente con el robot R17 de la Universidad del Valle de Guatemala, dependiendo del gesto y como lo clasifiquen los algoritmos, se enviará cierto comando predeterminado al robot. Uno de los objetivos principales del proyecto era la combinación de señales al momento de clasificar gestos o señales. Se combinó las señales de dos formas diferentes. La primera forma fue realizando un entrenamiento con 4 clases, que de cierta manera funcionaban como dos clasificadores distintos, ya que dos clases eran muy distintivos para las señales EMG y las otras dos eran muy distintivas para las señales EEG logrando una clasificación con rendimientos superiores al 91%. La segunda forma era grabando dos clases distintivas para señales EMG utilizando las señales EEG como una señal auxiliar y así brindar más peso a la clasificación, se determinó que en efecto al combinar las señales se logra un mejor rendimiento, obteniendo un 87% de rendimiento, mientras solo con las características de las señales EMG se logró un 85% En el futuro se espera que estás interfaces puedan ser utilizadas para la recolección de datos y creación de bases de datos que aporten material para futuras investigaciones utilizando técnicas mejoradas en algoritmos de clasificación y también a las investigaciones relacionadas con los dispositivos de asistencia médica utilizando estas señales bioeléctricas. (A)