Publicación: Diseño e implementación de una interfaz biomédica y sensores inerciales para el control de actuadores en tiempo real
Portada
Descargar PDF 
Vista en línea Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Autores
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor
Tipo de Material
Fecha
Citación
Título de serie/ reporte/ volumen/ colección
Es Parte de
Resumen en español
Este trabajo se centra en el diseño y desarrollo de una interfaz biomédica, con distintos módulos: uno para la recolección de señales electromiográficas (EMG) y otro para el control en tiempo real basado en señales EMG y un sistema de sensores inerciales. Las interfaces fueron desarrolladas con el objetivo de implementar un control eficiente de actuadores o sistemas robóticos. Aunque se contaba con algoritmos previos para la recolección de señales, se optó por mejorarlos para permitir la adquisición en tiempo real. Para ello, se implementó un algoritmo de segmentación de señales y se calcularon diversas características, lo que facilitó la implementación y el entrenamiento de varios modelos de aprendizaje automático, como Máquinas de Soporte de Vectores (SVM), Redes Neuronales Artificiales (RNA) y el modelo de K-Nearest Neighbor (KNN). Se realizaron diversas pruebas con estos algoritmos para asegurar una clasificación adecuada de las señales. Además, se incorporó un sistema de sensores inerciales, en particular el MPU6050, para combinar las fortalezas de ambos enfoques y lograr un control eficiente de los actuadores. El sistema de control seleccionado fue una mano antropomórfica diseñada en la Universidad del Valle de Guatemala, con la que la interfaz demostró una integración perfecta para su control. Uno de los objetivos principales del proyecto fue la implementación de modelos de aprendizaje automático. Gracias a la selección de características, como el zero crossing y la media del valor absoluto, combinadas con la segmentación de las señales en diferentes tramos, se lograron porcentajes de clasificación superiores al 90 %, alcanzando hasta un 98% en los mejores casos. El control de la mano animatrónica fue especialmente eficaz y rápido, permitiendo un control en tiempo real que hizo que la mano se moviera casi instantáneamente al detectar una señal relacionada con el movimiento. Además, el sistema de sensores inerciales proporcionó un control eficiente y constante, reflejando de manera precisa los movimientos observados en la mano. En el futuro, se espera aprovechar la versatilidad de la interfaz para lograr un control más eficaz y natural al implementarla en prótesis de miembro superior. Esto permitirá una integración más fluida con los movimientos del usuario, mejorando la funcionalidad y la adaptabilidad de la prótesis para ofrecer una experiencia más intuitiva y realista.
Resumen
This work focuses on the design and development of two biomedical interfaces: one for collecting electromyographic (EMG) signals and another for real-time control based on EMG signals and an inertial sensor system. The interfaces were developed with the aim of implementing efficient control of actuators or robotic systems. Although there were pre-existing algorithms for signal collection, it was decided to improve them to enable real-time acquisition. To achieve this, a signal segmentation algorithm was implemented, and various features were calculated, facilitating the implementation and training of several machine learning models, such as Support Vector Machines (SVM), Artificial Neural Networks (ANN), and the K-Nearest Neighbor (KNN) model. Several tests were performed with these algorithms to ensure proper signal classification. In addition, an inertial sensor system, particularly the MPU6050, was integrated to combine the strengths of both approaches and achieve efficient control of the actuators. The selected control system was an anthropomorphic hand designed at Universidad del Valle de Guatemala, with which the interface demonstrated perfect integration for its control. One of the main objectives of the project was the implementation of machine learning models. Thanks to the feature selection, such as zero crossing and the mean absolute value, combined with signal segmentation into different segments, classification rates above 90% were achieved, reaching up to 98% in the best cases. The control of the animatronic hand was particularly effective and fast, allowing for realtime control that made the hand move almost instantly upon detecting a signal related to movement. Additionally, the inertial sensor system provided efficient and constant control, accurately re ecting the movements observed in the hand. In the future, it is expected to leverage the versatility of the interface to achieve more effective and natural control by implementing it in upper-limb prosthetics. This will allow for smoother integration with the user's movements, enhancing the functionality and adaptability of the prosthetic to provide a more intuitive and realistic experience.
