{"id":209,"date":"2023-07-30T21:42:11","date_gmt":"2023-07-31T03:42:11","guid":{"rendered":"https:\/\/virtual.cuautitlan.unam.mx\/intar\/sistdig\/?page_id=209"},"modified":"2023-07-30T22:39:30","modified_gmt":"2023-07-31T04:39:30","slug":"proyecto-protesis-tipo-mano","status":"publish","type":"page","link":"https:\/\/virtual.cuautitlan.unam.mx\/intar\/sistdig\/proyecto-protesis-tipo-mano\/","title":{"rendered":"Proyecto: Pr\u00f3tesis tipo mano"},"content":{"rendered":"

Dise\u00f1o y desarrollo de una pr\u00f3tesis tipo mano.<\/strong><\/h1>\n

En el mundo, de acuerdo a [1], in 2017 , 57.7 millones de personas presentaban la amputaci\u00f3n de alg\u00fan miembro debido a causas traum\u00e1ticas, lo que desemboca en que tales personas vean disminuida su calidad de vida y por lo tanto es de gran relevancia el dise\u00f1o de pr\u00f3tesis que puedan ser ajustables a las situaciones particulares de cada individuo, m\u00e1s a\u00fan, es de gran relevancia que estas pr\u00f3tesis sean manipuladas de una forma \u201cnatural\u201d y sin complejas instrucciones de control. Para cubrir esta finalidad, se plantea el uso de se\u00f1ales bioel\u00e9ctricas, particularmente, electromiogr\u00e1ficas (EMG), estas se\u00f1ales se presentan en cada instante que un individuo realiza una contracci\u00f3n muscular, lo que implica que un usuario solo necesita reaccionar en la misma forma en la que reaccionar\u00eda si tuviera su miembro corporal, y de esta forma la pr\u00f3tesis mecatr\u00f3nica reacciona en la misma forma que su miembro amputado reaccionar\u00eda.<\/p>\n

Lo interesante de estas se\u00f1ales es que, aunque aparentemente aleatorias, cada movimiento particular tiene una representaci\u00f3n bioel\u00e9ctrica con un patr\u00f3n\u00a0 general, patr\u00f3n que puede ser caracterizado y a partir de tal caracterizaci\u00f3n, se pueden obtener palabras de control.<\/p>\n

Para tratar las se\u00f1ales EMG, es necesario poder tener un rango de trabajo adecuado, es decir, amplificarlas despu\u00e9s de haberlas adquirido directamente por medio de un electrodo, ya que su amplitud de manera natural\u00a0 var\u00eda desde los \u03bcV hasta un bajo rango de mV (menor de 10mV), y de acuerdo a trimedica [2], la energ\u00eda utilizable de la se\u00f1al est\u00e1 limitada al rango de frecuencia de 0 a 500 Hz, con la energ\u00eda dominante en el rango de 50-150 Hz. Las se\u00f1ales utilizables son aquellas con energ\u00eda por encima del nivel de ruido el\u00e9ctrico. Por lo descrito, tambi\u00e9n importante el obtener un sistema sensorial dise\u00f1ado espec\u00edficamente para convertir las se\u00f1ales crudas en se\u00f1ales aptas para el procesamiento.<\/p>\n

Uno de los principales inconvenientes de un sistema que funcione en respuesta a las se\u00f1ales EMG, es que las caracter\u00edsticas de estas depender\u00e1n de diversos factores, tales como la intensidad de la contracci\u00f3n muscular, la posici\u00f3n de los electrodos, el tipo y condici\u00f3n de piel, adicionalmente, tambi\u00e9n se ver\u00e1n afectadas por las condiciones del sistema de recolecci\u00f3n de datos, tal como la calidad del electrodo, el dise\u00f1o del sensor, el ruido generado por el entorno, etc. \u00a0Sin embargo, esto puede ser minimizado si se tienen grandes cantidades de informaci\u00f3n que pertenezcan al dataset de entrenamiento de la red neuronal (RN) que ser\u00e1 la encargada de caracterizar las se\u00f1ales EMG.<\/p>\n

Las se\u00f1ales EMG han sido utilizadas en diversos experimentos en la literatura cient\u00edfica, por medio de estas se\u00f1ales se han detectado emociones [3], se ha hecho m\u00fasica [4], se ha desarrollado ropa inteligente [5]. En la misma forma, las EMG han sido utilizadas para como elementos de control de brazos rob\u00f3ticos [6], de reproductores de MP3 [7] y tel\u00e9fonos m\u00f3viles [8], as\u00ed como la caracterizaci\u00f3n de gestos manuales [9]. Esta \u00faltima aplicaci\u00f3n de gran inter\u00e9s para los fines de este art\u00edculo.<\/p>\n

La clasificaci\u00f3n de gestos, o movimientos manuales, es de gran relevancia para los fines de este proyecto, ya que aqu\u00ed se busca encontrar un sistema que pueda clasificar adecuadamente las se\u00f1ales EMG de un usuario, y a partir de tal clasificaci\u00f3n, controlar una pr\u00f3tesis de una mano. Existen diferentes tipos de clasificaci\u00f3n descritos en la literatura, sin embargo, algunos de los m\u00e1s comunes son support vector machines [10], random forest [11], son k-nearest neighbors (k-NN) [12], transformada wavelet [13], decision trees [14], l\u00f3gica difusa [15, 16] y las artificial neural networks [9].<\/p>\n

Las redes neuronales artificiales (ANN), han sido un esquema utilizado en diferentes proyectos de clasificaci\u00f3n de movimientos de la mano con la intenci\u00f3n de generar pr\u00f3tesis \u201cnaturales\u201d en su funcionamiento [17, 18, 19]. Para la caracterizaci\u00f3n de las EMG, se han utilizado se\u00f1ales crudas, pero tambi\u00e9n, se han utilizado como elementos de entrada, caracter\u00edsticas extra\u00eddas de tales se\u00f1ales. ya que, seg\u00fan [20], el \u00e9xito de la clasificaci\u00f3n de patrones depende completamente de la selecci\u00f3n de las caracter\u00edsticas utilizadas para representar a las se\u00f1ales EMG crudas. Para generar los vectores de entrada construidos por caracter\u00edsticas se han utilizado, principalmente, mean absolute value (MAV), variance (VAR), standard deviation (SD), zero crossing (ZC), root mean square (RMS), sin embargo, no son las \u00fanicas caracter\u00edsticas utilizadas, existen algunas otras, tales como: waveform length (WL), mean absolute value slope (MAVS), mean frequency (MNF), median frequency (MDF), slope sign change (SSC), root mean square (RMS),\u00a0 integrated EMG (IEMG), wavelet transform (WT) coefficients, and wavelet packet transform (WPT) coefficients, autoregression (AR) coefficients, Willson amplitude (WA), fast Fourier transform (FFT) coefficients, cepstrum coefficients (CC) y\u00a0 short time Fourier transform (STFT) coefficients.<\/p>\n

El proyecto descrito, utiliza la extracci\u00f3n de caracter\u00edsticas de la se\u00f1al cruda EMG. Adicionalmente, se describe todo el proceso de desarrollo para la generaci\u00f3n del sensor que obtiene las se\u00f1ales EMG, as\u00ed como el dise\u00f1o de los filtros utilizados. El diagrama del sistema completo puede verse en la figura 1.<\/p>\n

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

Fig. 1.- Diagrama de bloques del sistema a desarrollar.<\/p>\n

Considerando las etapas electr\u00f3nicas de la figura 1, se dise\u00f1\u00f3 y construy\u00f3 el circuito mostrado en la figura 2, quedando construido en la forma que se ve en la figura 3.<\/p>\n

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

Fig. 2.- Dise\u00f1o esquem\u00e1tico del circuito dise\u00f1ado para la toma y procesamiento de se\u00f1ales EMG.<\/p>\n

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

Fig. 3.- Dise\u00f1o f\u00edsico del circuito dise\u00f1ado para la toma y procesamiento de se\u00f1ales EMG.<\/p>\n

El funcionamiento b\u00e1sico de esta pr\u00f3tesis est\u00e1 definido por el diagrama de la figura 4, mientras que el esquem\u00e1tico general puede verse en la figura 5. En la cual se puede ver que se toman las se\u00f1ales EMG del brazo de un usuario, estas se\u00f1ales son enviadas a la circuiter\u00eda de la figura 2, donde se lleva el proceso de adecuaci\u00f3n de la se\u00f1al. Una vez que la se\u00f1al se ha adecuado pasa a la tarjeta de desarrollo Arduino nano, donde a su vez se transmite a una computadora en donde, por medio del toolbox de machine learning de Matlab, se realiza la clasificaci\u00f3n de los movimientos de la mano. Una vez que una red neuronal ha clasificado los movimientos de la mano, ahora cuando el usuario realiza la instrucci\u00f3n de un determinado movimiento, esta instrucci\u00f3n se identifica por medio de la red neuronal y manda la se\u00f1al de control hac\u00eda la pr\u00f3tesis, en la que esta reacciona en la misma forma de la instrucci\u00f3n dada.<\/p>\n

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

Fig. 4.- Esquema general de funcionamiento del sistema de control de la pr\u00f3tesis tipo mano.<\/p>\n

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

Fig. 5.- Diagrama esquem\u00e1tico del proyecto: Pr\u00f3tesis tipo mano.<\/p>\n

La pr\u00f3tesis se puede ver en la figura 6.<\/p>\n

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

Fig. 6.- Pr\u00f3tesis tipo mano realizada con madera y servomotores.<\/p>\n

Para el dise\u00f1o de este proyecto se requiere una gran cantidad de pormenores, el desarrollo completo y detallado se puede ver en el siguiente link:<\/p>\n

https:\/\/www.mdpi.com\/2072-666X\/13\/10\/1681<\/a><\/strong><\/p>\n

As\u00ed mismo, con la intenci\u00f3n de que pueda replicarse, los scripts se est\u00e1n dejando en el siguiente link de descarga.<\/p>\n

http:\/\/virtual.cuautitlan.unam.mx\/intar\/wp-content\/uploads\/2023\/07\/codigosprogramas-1.rar<\/strong><\/a><\/p>\n

Proyecto realizado con apoyo del PAPIME PE103322.<\/p>\n

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

[1] McDonald, C. L., Westcott-McCoy, S., Weaver, M. R., Haagsma, J., & Kartin, D. (2021). Global prevalence of traumatic non-fatal limb amputation. Prosthetics and orthotics international, 0309364620972258.<\/p>\n

[2] http:\/\/trimedica.es\/ELECTROMIOGRAFIA-EMG-DE-SUPERFICIE-DELSYS\/La-Senyal-de-EMG-Delsys\/<\/p>\n

[3] 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

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

[5] Tr\u00f6ster, G. The Agenda ofWearable Healthcare. Yearb. Med. Inform. 2018<\/strong>, 14, 125\u2013138.<\/p>\n

[6] Beau, C.; Kai, M.; Pradeep, S.; Rao, R. Real-Time Classification of Electromyographic Signals for Robotic\u00a0Control. Available online: http:\/\/aaai.org\/Papers\/AAAI\/2005\/AAAI05-082.pdf (accessed on 20 April 2019).<\/p>\n

[7] Fistre, J.; Tanaka, A. Real Time EMG Gesture Recognition for Consumer Electronics Device Control.\u00a0Available online: https:\/\/www.researchgate.net\/publication\/247342413_Real_Time_EMG_Gesture_Recognition_for_Consumer_Electronics_Device_Control (accessed on 20 April 2019).<\/p>\n

[8]Costanza, E.; Perdomo, A.; Inverso, S.A.; Allen, R. EMG as a Subtle Input Interface for Mobile Computing.\u00a0In Proceedings of the International Conference on Mobile Human-Computer Interaction, Glasgow, UK,\u00a013\u201316 September 2004.<\/p>\n

[9] Khanna, A.; Muthukumaraswamy, S.A. Cost-e_ective system for the classification of muscular intent using\u00a0surface electromyography and artificial neural networks. In Proceedings of the International conference of\u00a0Electronics, Communication and Aerospace Technology (ICECA), Coimbatore, India, 20\u201322 April 2017.<\/p>\n

[10] Dardas, N.H.; Georganas, N.D. Real-time hand gesture detection and recognition using bag-of-features and support vector machine techniques. IEEE Trans. Instrum. Meas. 2011, 60, 3592\u20133607. [CrossRef]<\/p>\n

[11] Sangjun, O.; Mallipeddi, R.; Lee, M. Real Time Hand Gesture Recognition Using Random Forest and Linear Discriminant Analysis. In Proceedings of the 3rd International Conference on Human-Agent Interaction, Daegu, Korea, 21\u201324 October 2015; pp. 279\u2013282.<\/p>\n

[12] Benalcazar, M.E.; Jaramillo, A.G.; Zea, A.; Paez, A.; Andaluz, V.H. Hand gesture recognition using machine learning and the Myo armband. In Proceedings of the European Signal Processing Conference, Kos, Greece, 28 August\u20132 September 2017; pp. 1075\u20131079.<\/p>\n

[13] I. Haider, M. Shahbaz, M. Abdullah, and M. Nazim, \u201cFeature extraction for identification of extension and flexion movement of wrist using EMG signals,\u201d Canadian Conference on Electrical and Computer Engineering,\u00a0 pp. 792-795, 2015.<\/p>\n

[14] Joshi, A.; Monnier, C.; Betke, M.; Sclaroff, S. Comparing random forest approaches to segmenting and classifying gestures. Image Vis. Comput. 2017, 58, 86\u201395. [CrossRef]<\/p>\n

[15] M. Khezri, M. Jahed, and N. Sadati, \u201cNeuro-fuzzy surface EMG pattern recognition for multifunctional hand prosthesis control,\u201d Industrial Electronics, 2007. ISIE 2007. IEEE International Symposium on, 2007, pp. 269\u2013274.<\/p>\n

[16] F. Chan, Yong-Sheng Yang, F. Lam, Yuan-Ting Zhang, and P. Parker, \u201cFuzzy EMG classification for prosthesis control,\u201d Rehabilitation Engineering, IEEE Transactions on, vol. 8, 2000, pp. 305-311.<\/p>\n

[17] G. Gini, M. Arvetti, I. Somlai, and M. Folgheraiter, \u201cAcquisition and Analysis of EMG Signals to Recognize Multiple Hand Movements for Prosthetic Applications,\u201d Applied Bionics and Biomechanics, vol. 9, no. 2,\u00a0 pp. 145\u2013155, 2012.<\/p>\n

[18] S. A. Raurale, \u201cAcquisition of EMG signals to recognize multiple Hand Gestures for Prosthesis Robotic Hand-A Review,\u201d Int. J. Curr. Eng. Technol., pp. 65-70, 2014.<\/p>\n

[19] Rami J. Oweis, Remal Rihani, Afnan Alkhawaja, “ANN-based EMG classification for myoelectric control,” International Journal of Medical Engineering and Informatics, Vol 6, Issue 4, pp. 365, 2014.<\/p>\n

[20] B. Hudgins, P. Parker, and R. Scott, \u201cA new strategy for multifunction myoelectric control,\u201d Biomedical Engineering, IEEE Transactions on, vol. 40, 1993, pp. 82-94.<\/p>\n","protected":false},"excerpt":{"rendered":"

Dise\u00f1o y desarrollo de una pr\u00f3tesis tipo mano. En el mundo, de acuerdo a [1], in 2017 , 57.7 millones de personas presentaban la amputaci\u00f3n de alg\u00fan miembro debido a causas traum\u00e1ticas, lo que desemboca en que tales personas vean disminuida su calidad de vida y por lo tanto es de gran relevancia el dise\u00f1o … <\/p>\n

Continuar leyendo “Proyecto: Pr\u00f3tesis tipo mano”<\/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-209","page","type-page","status-publish","hentry"],"_links":{"self":[{"href":"https:\/\/virtual.cuautitlan.unam.mx\/intar\/sistdig\/wp-json\/wp\/v2\/pages\/209"}],"collection":[{"href":"https:\/\/virtual.cuautitlan.unam.mx\/intar\/sistdig\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/virtual.cuautitlan.unam.mx\/intar\/sistdig\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/virtual.cuautitlan.unam.mx\/intar\/sistdig\/wp-json\/wp\/v2\/users\/3"}],"replies":[{"embeddable":true,"href":"https:\/\/virtual.cuautitlan.unam.mx\/intar\/sistdig\/wp-json\/wp\/v2\/comments?post=209"}],"version-history":[{"count":7,"href":"https:\/\/virtual.cuautitlan.unam.mx\/intar\/sistdig\/wp-json\/wp\/v2\/pages\/209\/revisions"}],"predecessor-version":[{"id":227,"href":"https:\/\/virtual.cuautitlan.unam.mx\/intar\/sistdig\/wp-json\/wp\/v2\/pages\/209\/revisions\/227"}],"wp:attachment":[{"href":"https:\/\/virtual.cuautitlan.unam.mx\/intar\/sistdig\/wp-json\/wp\/v2\/media?parent=209"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}