Procesamiento en tiempo real de señales de electromiografía mediante redes neuronales artificiales

El procesamiento de las señales de electromiografía (EMG) resulta complejo debido a la naturaleza estocástica de la propia señal. Las redes neuronales artificiales (RNA) implementan en forma computacional un tipo de procesamiento similar al del cerebro humano, dando lugar al concepto de machine lear...

Descripción completa

Detalles Bibliográficos
Autor principal: Suaid, Sebastián Yair
Otros Autores: Pisarello, María Inés
Formato: Reunión
Lenguaje:Español
Publicado: Universidad Nacional del Nordeste. Secretaría General de Ciencia y Técnica 2024
Materias:
Biopotenciales
Clasificación de patrones
Machine
Learning
Inteligencia artificial
Interacción hombre-máquina
Acceso en línea:http://repositorio.unne.edu.ar/handle/123456789/55469
Aporte de:
RIUNNE - Repositorio Institucional de la Universidad Nacional del Nordeste (UNNE) de Universidad Nacional del Nordeste
id I48-R184-123456789-55469
record_format dspace
spelling I48-R184-123456789-554692025-03-06T11:26:08Z Procesamiento en tiempo real de señales de electromiografía mediante redes neuronales artificiales Suaid, Sebastián Yair Pisarello, María Inés Monzón, Jorge Emilio Biopotenciales Clasificación de patrones Machine Learning Inteligencia artificial Interacción hombre-máquina El procesamiento de las señales de electromiografía (EMG) resulta complejo debido a la naturaleza estocástica de la propia señal. Las redes neuronales artificiales (RNA) implementan en forma computacional un tipo de procesamiento similar al del cerebro humano, dando lugar al concepto de machine learning. Utilizando algoritmos de aprendizaje supervisado, con las RNA es posible la identificación de patrones en registros de señales de EMG a partir de su caracterización utilizando la Transformada Rápida de Fourier (FFT). Con esto, es posible lograr aplicaciones de interacción hombre-máquina basadas en la clasificación de patrones de activación muscular para el manejo de señales de control; y con ello construir una interfaz que nos permita interactuar con distintos dispositivos tecnológicos. En este trabajo se analiza la performance de una RNA entrenada a partir de registros de EMG de 3 tipos de movimiento, que la red debe ser capaz de clasificar correctamente: torsión de la muñeca, extensión de los dedos de la mano y contracción del brazo. La adquisición de los datos y la implementación de la red se realizan mediante un microcontrolador para la conversión analógica-digital de la señal y un entorno computacional del lenguaje de programación Python, en conjunto con la librería Tensorflow. Se estableció una estructura de red secuencial, con 10 valores de entrada, 2 capas ocultas y una capa de salida, que indica la probabilidad de que la entrada corresponda a uno de los patrones a clasificar. Se creó una base de datos a partir de registros electromiográficos en un sujeto de prueba que realizó los 3 tipos de movimientos considerados y se dividió dicha base en un set de entrenamiento y un set de validación de la red. Analizando los resultados obtenidos por la misma, vemos que se alcanzó un nivel de precisión del 92% sobre el set de entrenamiento y del 76% sobre el set de validación, lo que muestra la viabilidad de este tipo de procesamiento para la clasificación de patrones y da lugar a la búsqueda de nuevas formas de ajustar los parámetros de la red para mejorar su rendimiento. 2024-09-18T21:42:47Z 2024-09-18T21:42:47Z 2022-06-09 Reunión Suaid, Sebastián Yair, 2022. Procesamiento en tiempo real de señales de electromiografía mediante redes neuronales artificiales. En: XXVII Comunicaciones Científicas y Tecnológicas. Corrientes: Universidad Nacional del Nordeste. Secretaría General de Ciencia y Técnica, p. 1-1. http://repositorio.unne.edu.ar/handle/123456789/55469 spa UNNE/PI/18F004/AR. Corrientes/Procesamiento digital de biopotenciales. openAccess http://creativecommons.org/licenses/by-nc-nd/2.5/ar/ application/pdf p. 1-1 application/pdf Universidad Nacional del Nordeste. Secretaría General de Ciencia y Técnica
institution Universidad Nacional del Nordeste
institution_str I-48
repository_str R-184
collection RIUNNE - Repositorio Institucional de la Universidad Nacional del Nordeste (UNNE)
language Español
topic Biopotenciales
Clasificación de patrones
Machine
Learning
Inteligencia artificial
Interacción hombre-máquina
spellingShingle Biopotenciales
Clasificación de patrones
Machine
Learning
Inteligencia artificial
Interacción hombre-máquina
Suaid, Sebastián Yair
Procesamiento en tiempo real de señales de electromiografía mediante redes neuronales artificiales
topic_facet Biopotenciales
Clasificación de patrones
Machine
Learning
Inteligencia artificial
Interacción hombre-máquina
description El procesamiento de las señales de electromiografía (EMG) resulta complejo debido a la naturaleza estocástica de la propia señal. Las redes neuronales artificiales (RNA) implementan en forma computacional un tipo de procesamiento similar al del cerebro humano, dando lugar al concepto de machine learning. Utilizando algoritmos de aprendizaje supervisado, con las RNA es posible la identificación de patrones en registros de señales de EMG a partir de su caracterización utilizando la Transformada Rápida de Fourier (FFT). Con esto, es posible lograr aplicaciones de interacción hombre-máquina basadas en la clasificación de patrones de activación muscular para el manejo de señales de control; y con ello construir una interfaz que nos permita interactuar con distintos dispositivos tecnológicos. En este trabajo se analiza la performance de una RNA entrenada a partir de registros de EMG de 3 tipos de movimiento, que la red debe ser capaz de clasificar correctamente: torsión de la muñeca, extensión de los dedos de la mano y contracción del brazo. La adquisición de los datos y la implementación de la red se realizan mediante un microcontrolador para la conversión analógica-digital de la señal y un entorno computacional del lenguaje de programación Python, en conjunto con la librería Tensorflow. Se estableció una estructura de red secuencial, con 10 valores de entrada, 2 capas ocultas y una capa de salida, que indica la probabilidad de que la entrada corresponda a uno de los patrones a clasificar. Se creó una base de datos a partir de registros electromiográficos en un sujeto de prueba que realizó los 3 tipos de movimientos considerados y se dividió dicha base en un set de entrenamiento y un set de validación de la red. Analizando los resultados obtenidos por la misma, vemos que se alcanzó un nivel de precisión del 92% sobre el set de entrenamiento y del 76% sobre el set de validación, lo que muestra la viabilidad de este tipo de procesamiento para la clasificación de patrones y da lugar a la búsqueda de nuevas formas de ajustar los parámetros de la red para mejorar su rendimiento.
author2 Pisarello, María Inés
author_facet Pisarello, María Inés
Suaid, Sebastián Yair
format Reunión
author Suaid, Sebastián Yair
author_sort Suaid, Sebastián Yair
title Procesamiento en tiempo real de señales de electromiografía mediante redes neuronales artificiales
title_short Procesamiento en tiempo real de señales de electromiografía mediante redes neuronales artificiales
title_full Procesamiento en tiempo real de señales de electromiografía mediante redes neuronales artificiales
title_fullStr Procesamiento en tiempo real de señales de electromiografía mediante redes neuronales artificiales
title_full_unstemmed Procesamiento en tiempo real de señales de electromiografía mediante redes neuronales artificiales
title_sort procesamiento en tiempo real de señales de electromiografía mediante redes neuronales artificiales
publisher Universidad Nacional del Nordeste. Secretaría General de Ciencia y Técnica
publishDate 2024
url http://repositorio.unne.edu.ar/handle/123456789/55469
work_keys_str_mv AT suaidsebastianyair procesamientoentiemporealdesenalesdeelectromiografiamedianteredesneuronalesartificiales
_version_ 1832344510823137280

Ejemplares similares