{"id":977,"date":"2021-06-06T21:59:32","date_gmt":"2021-06-07T02:59:32","guid":{"rendered":"http:\/\/virtual.cuautitlan.unam.mx\/intar\/?page_id=977"},"modified":"2021-06-06T22:15:46","modified_gmt":"2021-06-07T03:15:46","slug":"redes-neuronales-en-la-caracterizacion-de-senales-bioelectricas","status":"publish","type":"page","link":"https:\/\/virtual.cuautitlan.unam.mx\/intar\/?page_id=977","title":{"rendered":"Redes neuronales en la caracterizaci\u00f3n de se\u00f1ales bioel\u00e9ctricas"},"content":{"rendered":"

Redes neuronales en la caracterizaci\u00f3n de se\u00f1ales bioel\u00e9ctricas<\/strong><\/h1>\n

Las se\u00f1ales bioel\u00e9ctricas [1] representan variables fisiol\u00f3gicas que son relevantes para la generaci\u00f3n de interfaces m\u00e1s naturales entre un ser humano y una m\u00e1quina. A partir de tales variables, podemos obtener comandos que pueden controlar cualquier tipo de dispositivo tecnol\u00f3gico, y as\u00ed se pueden dise\u00f1ar interfaces hombre-m\u00e1quina (HMI).<\/p>\n

Las variables fisiol\u00f3gicas pueden ser un voltaje muy peque\u00f1o, como el que se obtiene en un electroencefalograma, o voltajes de mayor magnitud, como los relacionados con un electrocardiograma. El uso de se\u00f1ales de este tipo para el control de dispositivos electr\u00f3nicos, es de sustancial relevancia social ya que todas las personas generan se\u00f1ales de tales magnitudes f\u00edsicas, independientemente de si tienen enfermedades o est\u00e1n sanas, y si tienen todas sus capacidades o presentan capacidades diferentes.<\/p>\n

Recientemente, se han dedicado muchos esfuerzos al desarrollo de interfaces amigables para generar HMI que pueden usar biometr\u00eda como voz, visi\u00f3n, gestos y biose\u00f1ales como canales de entrada y salida. Algunas de estas HMI pueden implicar el uso de movimientos corporales, como los movimientos de las manos, que requieren un dispositivo multimedia que pueda capturarlos [2, 3, 4].<\/p>\n

Sin embargo, la se\u00f1al biom\u00e9trica que presentamos en esta web son las biose\u00f1ales, por ejemplo las se\u00f1ales cerebrales bioel\u00e9ctricas o EEG (electroencefalograma), que son muy interesantes, y tambi\u00e9n se han utilizado como elementos de control. El primer experimento que demostr\u00f3 la posibilidad real de utilizar se\u00f1ales EEG como elementos de control fue realizado por Vidal [5], quien fue director del Laboratorio de Interfaces Cerebro-Computadora de la UCLA, y desde ese momento se han creado diferentes interfaces basadas en dicho esquema. [6,7,8,9]. El an\u00e1lisis de las se\u00f1ales de EEG ayud\u00f3 a desarrollar las interfaces cerebro-computadora (BCI), las BCI se han utilizado en muchas aplicaciones como robots voladores [10], sillas de ruedas rob\u00f3ticas [11], control de robots humanoides [12], jugar con robots [13], brazos rob\u00f3ticos de control [14], entre otras aplicaciones. Este tipo de interfaces tambi\u00e9n se puede utilizar para ayudar a personas con discapacidades f\u00edsicas [15].<\/p>\n

A pesar de la utilidad de se\u00f1ales como EEG e interfaces como BCI, vamos a centrarnos en el EMG y sus aplicaciones pr\u00e1cticas. Las se\u00f1ales EMG son variables muy importantes para el control de elementos tecnol\u00f3gicos, principalmente porque se pueden obtener de forma relativamente f\u00e1cil y econ\u00f3mica. A trav\u00e9s del estudio y procesamiento de se\u00f1ales de este tipo, es posible hoy en d\u00eda detectar emociones [16], hacer m\u00fasica [17] e incluso desarrollar ropa elegante [18].<\/p>\n

Las se\u00f1ales EMG han permitido el control de varios tipos de dispositivos. Un ejemplo del uso de EMG como comando de control se presenta en [19], donde los autores realizaron el control en tiempo real de un brazo rob\u00f3tico con cuatro grados de libertad con tales se\u00f1ales.<\/p>\n

En [20], las se\u00f1ales EMG se utilizaron para controlar tel\u00e9fonos m\u00f3viles. En este trabajo, los autores discuten que incluso utilizando t\u00e9cnicas de procesamiento sencillas, es posible detectar peque\u00f1as contracciones musculares y, por tanto, adquirir datos.<\/p>\n

Se ha controlado un reproductor MP3 mediante EMG en [21], lo que demuestra una posible aplicaci\u00f3n de tales se\u00f1ales.<\/p>\n

En 1997, el Laboratorio de Neuro-Ingenier\u00eda del Centro de Investigaci\u00f3n Ames de la NASA inici\u00f3 un programa de investigaci\u00f3n avanzada: la Iniciativa de Extensi\u00f3n de los Sentidos Humanos (EHS). EHS fue un esfuerzo para producir la pr\u00f3xima generaci\u00f3n de tecnolog\u00edas de interfaz de m\u00e1quina y software, que incluyen herramientas de comunicaci\u00f3n humana que utilizan EMG y EEG. Desarrollaron un control biol\u00f3gico de simulaci\u00f3n de barco tipo 757 [22].<\/p>\n

Recientemente en [23], Khanna desarroll\u00f3 una red neuronal que puede clasificar los gestos con las manos. Usando Arduino, obtuvieron informaci\u00f3n relacionada con los gestos con las manos y esa informaci\u00f3n fue procesada por una red neuronal. Caracterizaron tres gestos con las manos: pu\u00f1o cerrado, dedo \u00edndice puntiagudo y posici\u00f3n de descanso natural. Demostraron la idoneidad del microcontrolador Arduino como herramienta de adquisici\u00f3n de datos.<\/p>\n

Por otro lado, se han presentado algunos trabajos relacionados con el uso de la Transformada Wavelet (WT) para analizar las se\u00f1ales EMG, por ejemplo, [24] y [25] utilizaron la Transformada Wavelet Discreta (DWT) para extraer caracter\u00edsticas de EMG se\u00f1ales.<\/p>\n

Seg\u00fan [26], WT es una de las herramientas de procesamiento de se\u00f1ales m\u00e1s poderosas para analizar se\u00f1ales EMG. En tal estudio, los autores investigaron la utilidad de la extracci\u00f3n de las caracter\u00edsticas EMG de la descomposici\u00f3n de ondas de m\u00faltiples niveles de la se\u00f1al EMG. Utilizaron diferentes niveles de varias ondas madre para obtener los componentes de resoluci\u00f3n \u00fatiles de la se\u00f1al EMG.<\/p>\n

Los autores en [27] dicen que la clasificaci\u00f3n de los patrones de se\u00f1ales EMG ha sido objeto de un esfuerzo de investigaci\u00f3n considerable en los \u00faltimos a\u00f1os. En ese estudio, se desarrollaron clasificadores basados \u200b\u200ben redes neuronales artificiales de retropropagaci\u00f3n de errores de retroalimentaci\u00f3n (FEBANN) y redes neuronales wavelet (WNN) y se compararon en relaci\u00f3n con su precisi\u00f3n en la clasificaci\u00f3n de se\u00f1ales EMG.<\/p>\n

Como experimento pr\u00e1ctico, podemos ver [28] donde los autores analizaron las se\u00f1ales EMG provenientes de dos sujetos diferentes utilizando una integraci\u00f3n novedosa de Red Neural Artificial (ANN) y wavelet. Seg\u00fan los autores, sus resultados muestran c\u00f3mo su metodolog\u00eda permite obtener una buena precisi\u00f3n en la clasificaci\u00f3n de las posturas de las manos y abre el camino a pr\u00f3tesis de mano m\u00e1s funcionales. Siguiendo esta idea, los autores en [29] afirman que es necesario aprovechar mejor las se\u00f1ales EMG para aumentar la eficacia de las pr\u00f3tesis de mano. Individualizaron cinco movimientos para la movilidad mu\u00f1eca-mano. Luego dise\u00f1aron la electr\u00f3nica b\u00e1sica y el software para la adquisici\u00f3n y el an\u00e1lisis de las se\u00f1ales EMG.<\/p>\n

Se\u00f1ales bioel\u00e9ctricas<\/strong><\/h2>\n

Es bien sabido que cada cuerpo biol\u00f3gico genera impulsos el\u00e9ctricos que dependen de la actividad que se est\u00e9 realizando, sin importar si se trata de una actividad mental o una actividad corporal. Estos potenciales el\u00e9ctricos son generados por c\u00e9lulas que se denominan c\u00e9lulas excitables y su actividad electroqu\u00edmica. Todos los impulsos que genera un cuerpo biol\u00f3gico se denominan impulsos bioel\u00e9ctricos. Seg\u00fan el tipo de actividad y la zona corporal que las genera, estas se\u00f1ales tienen un comportamiento el\u00e9ctrico caracter\u00edstico, como se puede apreciar en la Tabla 1.<\/p>\n

\"\"<\/a><\/p>\n

Tabla 1. Caracter\u00edsticas de diferentes se\u00f1ales bioel\u00e9ctricas. Indicando su amplitud y su frecuencia.<\/p>\n

Estos datos proporcionan informaci\u00f3n que depende de la persona. Por tanto, debido a la variaci\u00f3n de estos datos, es posible obtener diagn\u00f3sticos m\u00e9dicos o identificar cambios que se est\u00e1n produciendo en el organismo. En este caso, estos datos son importantes porque podemos caracterizar la informaci\u00f3n que nos brinda el cuerpo humano por medio de una red neuronal y, as\u00ed, poder utilizar dicha informaci\u00f3n como elemento de control.<\/p>\n

\u00bfC\u00f3mo trabajar con se\u00f1ales EMG?<\/strong><\/h2>\n

Actualmente, existen una gran cantidad de herramientas que pueden permitir a un usuario poder extraer se\u00f1ales EMG de un cuerpo humano sin procesos invasivos, as\u00ed como tambi\u00e9n poderlas caracterizar de forma muy simple y econ\u00f3mica.<\/p>\n

Para poder extraer estas se\u00f1ales de forma barata y sencilla, se puede utilizar el Myoware Muscle Sensor<\/em>, que vemos en la figura 1. Este sensor permite adquirir las se\u00f1ales del cuerpo humano, s\u00f3lo coloc\u00e1ndolo a un musculo por medio de electrodos sencillos. Estos electrodos ir\u00e1n colocados al musculo y a una \u201creferencia\u201d para de esta forma obtener una se\u00f1al adecuada cuando el musculo se mueve. Cada vez que un musculo se mueve, se genera un impulso el\u00e9ctrico en el cuerpo, y es precisamente este impulso el que el sensor capta.<\/p>\n

\"\"<\/a><\/p>\n

Fig. 1.-Myoware Muscle sensor, y la forma en la que procesa la informaci\u00f3n cruda antes de enviarla a un dispositivo receptor de informaci\u00f3n.<\/p>\n

Una caracter\u00edstica de este sensor, es que, como podemos ver en la figura 1, procesa la se\u00f1al original obtenida del cuerpo, es decir, el sensor enviar\u00e1 una se\u00f1al no cruda al dispositivo que capte la informaci\u00f3n, que puede ser un Arduino.<\/p>\n

Una vez dentro del dispositivo, o una computadora, esta se\u00f1al puede ser caracterizada por medio del Deep learning toolbox<\/em> de Matlab, que tiene las herramientas necesarias para poder caracterizar e interpretar las se\u00f1ales obtenidas a trav\u00e9s del sensor.<\/p>\n

Es importante mencionar, que para entrenar una RNA adecuadamente, es necesario tener muchas muestras (en este caso de las se\u00f1ales bioel\u00e9ctricas de un movimiento muscular), e irle informando a la red neuronal que tipo de movimiento se est\u00e1 realizando en el musculo. De esta forma, la RNA ira aprendiendo a identificar cada una de las se\u00f1ales el\u00e9ctricas correspondientes a cada uno de los movimientos musculares.<\/p>\n

Este problema t\u00e9cnico y cient\u00edfico presenta gran relevancia a nivel global, debido a que el uso de estas se\u00f1ales puede ser un gran paso para la generaci\u00f3n de interacciones m\u00e1s naturales entre los humanos y las m\u00e1quinas, en esta forma, el humano tambi\u00e9n ser\u00eda un ente activo de los nuevos esquemas de comunicaciones tales como el Internet de las Cosas o la Industria 4.0.<\/p>\n

Existen diferentes grupos de cient\u00edficos y recursos humanos h\u00edper especializados que se encargan de compilar datos de este tipo, en internet se pueden encontrar grandes cantidades de datos relacionados al tema, sin embargo, para fines del uso en esta web, nosotros recomendamos la base de datos:<\/p>\n

https:\/\/archive.ics.uci.edu\/ml\/datasets\/sEMG+for+Basic+Hand+movements<\/a><\/p>\n

La cual contiene se\u00f1ales bioel\u00e9ctricas que pueden ser utilizadas libremente para el desarrollo de propuestas cient\u00edficas, estas se\u00f1ales pueden ser caracterizadas por diferentes tipos de redes neuronales, o cualquier algoritmo de clasificaci\u00f3n.<\/p>\n

Por medio de la descripci\u00f3n de estos elementos, alentamos a los alumnos a desarrollar sus propios sistemas controlados por medio de se\u00f1ales bioel\u00e9ctricas.<\/p>\n

Se propone el siguiente esquema de trabajo, en donde el sensor capta las se\u00f1ales bioel\u00e9ctricas, estas son caracterizadas por medio de redes neuronales y por medio de protocolos de comunicaci\u00f3n dentro del Internet de las Cosas, los movimientos musculares sirvan de elementos de control remoto.<\/p>\n

\"\"<\/a><\/p>\n

Fig2.- Esquema de trabajo de un sistema de control remoto por medio del Internet de las cosas utilizando la caracterizaci\u00f3n de se\u00f1ales bioel\u00e9ctricas.<\/p>\n

Referencias<\/strong><\/h2>\n

[1] Singh, Y. N., Singh, S. K., & Ray, A. K. (2012). Bioelectrical signals as emerging biometrics: Issues and challenges. International Scholarly Research Notices, 2012.<\/p>\n

[2] Chaudhary, A.; Raheja, J.; Das, K.; Raheja, S. Intelligent Approaches to interact with Machines using Hand Gesture Recognition in Natural way: A Survey. Int. J. Comput. Sci. Eng. Surv. 2011, 2, 122\u2013133.<\/p>\n

[3] Pavlovic, V.I.; Sharma, R.; Huang, T.S. Visual interpretation of hand gestures for human-computer interaction: A review. IEEE Trans. Pattern Anal. Mach. Intell. 1997, 7, 677\u2013695.<\/p>\n

[4] Rautaray, S.S.; Agrawal, A. Vision based hand gesture recognition for human computer interaction: A survey. Artif. Intell. Rev. 2012, 43, 1\u201354.<\/p>\n

[5] Vidal, J.J. Realtime Detection of Brain Events in EEG. Proc. IEEE 1977, 65, 633\u2013641.<\/p>\n

[6] Keirn, Z.A.; Aunon, J.I. A New Mode of Communication Between Man and his Surroundings. IEEE Trans. Biomed. Eng. 1990, 37, 1209\u20131214.<\/p>\n

[7] Scherer, R.; Lee, F.; Schl\u00f6gl, A.; Leeb, R.; Bischof, H.; Pfurtscheller, G. Toward self-paced brain-computer communication: Navigation through virtual worlds. IEEE Trans. Biomed. Eng. 2008, 55, 675\u2013682.<\/p>\n

[8] Chae, Y.; Jeong, J.; Jo, S. Toward brain-actuated humanoid robots: Asynchronous direct control using an EEG-Based BCI. IEEE Trans. Robot. 2012, 28, 1131\u20131144.<\/p>\n

[9] Lotte, F.; Congedo, M.; L\u00e9cuyer, A.; Lamarche, F.; Arnaldi, B. A review of classification algorithms for EEG-based brain-computer interfaces. J. Neural Eng. 2007, 4, R1.<\/p>\n

[10] Akce, A.; Johnson, M.; Dantsker, O.; Bretl, T. A brain-machine interface to navigate a mobile robot in a planar workspace: Enabling humans to fly simulated aircraft with EEG. IEEE Trans. Neural Syst. Rehabil. Eng. 2013, 21, 306\u2013318.<\/p>\n

[11] Leeb, R.; Friedman, D.; M\u00fcller-Putz, G.R.; Scherer, R.; Slater, M.; Pfurtscheller, G. Self-paced (asynchronous) BCI control of a wheelchair in virtual environments: A case study with a tetraplegic. Comput. Intell. Neurosci. 2007, 2007, 1\u20138.<\/p>\n

[12] Li, W.; Li, M.; Zhao, J. Control of humanoid robot via motion-onset visual evoked potentials. Front. Syst. Neurosci. 2015, 8, 247.<\/p>\n

[13] Queiroz, R.L.; de Azeredo Coutinho, I.B.; Xex\u00e9o, G.B.; Lima, P.M.V.; Sampaio, F.F. Playing with Robots Using Your Brain. In Proceedings of the 17th Brazilian Symposium on Computer Games and Digital Entertainment (SBGames), Foz do Igua\u00e7u, Brazil, 29 October\u20131 November 2018.<\/p>\n

[14] Chen, X.; Zhao, B.; Wang, Y.; Xu, S.; Gao, X. Control of a 7-DOF Robotic Arm System With an SSVEP-Based BCI. Int. J. Neural Syst. 2018, 28, 1850018.<\/p>\n

[15] Wang, F.; Zhang, X.; Fu, R.; Sun, G. Study of the home-auxiliary robot based on BCI. Sensors 2018, 18, 1779.<\/p>\n

[16] Wagner, J.; Kim, J.; Andr\u00e9, E. From physiological signals to emotions: Implementing and comparing selected methods for feature extraction and classification. In Proceedings of the IEEE International Conference on Multimedia and Expo, Amsterdam, Netherlands, 6 July 2005.<\/p>\n

[17] Dubost, G.; Tanaka, A. A wireless, networkbased biosensor interface for music. In Proceedings of the ICMC, Gothenburg, Sweden, 16\u201321 September 2002.<\/p>\n

[18] Tr\u00f6ster, G. The Agenda of Wearable Healthcare. Yearb. Med. Inform. 2018, 14, 125\u2013138.<\/p>\n

[19] Beau, C.; Kai, M.; Pradeep, S.; Rao, R. Real-Time Classification of Electromyographic Signals for Robotic Control. Available online: http:\/\/aaai.org\/Papers\/AAAI\/2005\/AAAI05-082.pdf (accessed on 20 April 2019).<\/p>\n

[20] Costanza, E.; Perdomo, A.; Inverso, S.A.; Allen, R. EMG as a Subtle Input Interface for Mobile Computing. In Proceedings of the International Conference on Mobile Human-Computer Interaction, Glasgow, UK, 13\u201316 September 2004.<\/p>\n

[21] Fistre, J.; Tanaka, A. Real Time EMG Gesture Recognition for Consumer Electronics Device Control. Available online: https:\/\/www.researchgate.net\/publication\/247342413_Real_Time_EMG_Gesture_Recogniti on_for_Consumer_Electronics_Device_Control (accessed on 20 April 2019).<\/p>\n

[22] Jorgensen, C.; Wheeler, K.; Stepniewski, S.; Norvig, P. Bioelectric Control of a 757 Class High Fidelity Aircraft Simulation. Available online: https:\/\/ntrs.nasa.gov\/archive\/nasa\/casi.ntrs.nasa.gov\/20010083844.pdf (accessed on 20 April 2019).<\/p>\n

[23] Khanna, A.; Muthukumaraswamy, S.A. Cost-effective system for the classification of muscular intent using surface electromyography and artificial neural networks. In Proceedings of the International conference of Electronics, Communication and Aerospace Technology (ICECA), Coimbatore, India, 20\u201322 April 2017.<\/p>\n

[24] Betancourt, G.A.; Su\u00e1rez, E.G.; Franco, J.F. Reconocimiento de Patrones de Movimiento a partir de Se\u00f1ales Electromiogr\u00e1ficas. Sci. Tech. 2004, 10, 53\u201358.<\/p>\n

[25] Garc\u00eda, J.A.; Mendoza, L.E. Adquisici\u00f3n y procesamiento de se\u00f1ales EMG para controlar movimiento de un brazo hidra\u00falico. Rev. MundoFesc 2014, 4, 49\u201360.<\/p>\n

[26] Phinyomark, A.; Limsakul, C.; Phukpattaranont, P. Application of wavelet analysis in EMG feature extraction for pattern classification. Meas. Sci. Rev. 2011, 11, 45\u201352.<\/p>\n

[27] Subasi, A.; Yilmaz, M.; Ozcalik, H.R. Classification of EMG signals using wavelet neural network. J. Neurosci. Methods 2006, 156, 360\u2013367.<\/p>\n

[28]. Arvetti, M.; Gini, G.; Folgheraiter, M. Classification of EMG signals through wavelet analysis and neural networks for controlling an active hand prosthesis. In Proceedings of the IEEE 10th International Conference on Rehabilitation Robotics, London, UK, 13\u201315 June 2007.<\/p>\n

[29] Gini, G.; Arvetti, M.; Somlai, I.; Folgheraiter, M. Acquisition and analysis of EMG signals to recognize multiple hand movements for prosthetic applications. Appl. Bionics Biomech. 2012, 9, 145\u2013155.<\/p>\n","protected":false},"excerpt":{"rendered":"

Redes neuronales en la caracterizaci\u00f3n de se\u00f1ales bioel\u00e9ctricas Las se\u00f1ales bioel\u00e9ctricas [1] representan variables fisiol\u00f3gicas que son relevantes para la generaci\u00f3n de interfaces m\u00e1s naturales entre un ser humano y una m\u00e1quina. A partir de tales variables, podemos obtener comandos que pueden controlar cualquier tipo de dispositivo tecnol\u00f3gico, y as\u00ed se pueden dise\u00f1ar interfaces hombre-m\u00e1quina … <\/p>\n

Continuar leyendo “Redes neuronales en la caracterizaci\u00f3n de se\u00f1ales bioel\u00e9ctricas”<\/span><\/a><\/p>\n","protected":false},"author":3,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"footnotes":""},"class_list":["post-977","page","type-page","status-publish","hentry"],"_links":{"self":[{"href":"https:\/\/virtual.cuautitlan.unam.mx\/intar\/index.php?rest_route=\/wp\/v2\/pages\/977"}],"collection":[{"href":"https:\/\/virtual.cuautitlan.unam.mx\/intar\/index.php?rest_route=\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/virtual.cuautitlan.unam.mx\/intar\/index.php?rest_route=\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/virtual.cuautitlan.unam.mx\/intar\/index.php?rest_route=\/wp\/v2\/users\/3"}],"replies":[{"embeddable":true,"href":"https:\/\/virtual.cuautitlan.unam.mx\/intar\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=977"}],"version-history":[{"count":3,"href":"https:\/\/virtual.cuautitlan.unam.mx\/intar\/index.php?rest_route=\/wp\/v2\/pages\/977\/revisions"}],"predecessor-version":[{"id":983,"href":"https:\/\/virtual.cuautitlan.unam.mx\/intar\/index.php?rest_route=\/wp\/v2\/pages\/977\/revisions\/983"}],"wp:attachment":[{"href":"https:\/\/virtual.cuautitlan.unam.mx\/intar\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=977"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}