Decodificación de Movimientos Individuales de los Dedos y Agarre a Partir de Señales Mioeléctricas de Baja Densidad

Abstract

ResumenUno de los principales retos en el diseño de prótesis de mano es poder establecer un control intuitivo que reduzca el esfuerzo del usuario durante su entrenamiento. Este trabajo presenta un esquema para identificar tareas de motricidad fina de la mano, agrupadas en movimientos de los dedos individuales y gestos para el agarre de objetos el cual se ha validado con sujetos amputados. Se han comparado diferentes métodos de selección de características y clasificadores para el reconocimiento de patrones mioeléctricos, utilizando cuatro electrodos superficiales. Las características de las señales en el dominio del tiempo y la frecuencia se han combinado con métodos no lineales basados en análisis de fractales, mostrando una diferencia significativa en comparación con los métodos expuestos en la literatura para clasificar tareas de fuerza. Los resultados con amputados mostraron una exactitud de hasta 99,4% en los movimientos individuales de los dedos, superior a la obtenida con los gestos de agarre, de hasta 93,3%. El sistema ha obtenido una tasa de acierto promedio de 86,3% utilizando máquinas de soporte vectorial (SVM), seguido muy de cerca por K-vecinos más cercanos (KNN) con 83,4%. Sin embargo, KNN ha obtenido un mejor rendimiento global, debido a que es más rápido que SVM, lo que representa una ventaja para aplicaciones en tiempo real. El método aquí propuesto ofrece una mayor funcionalidad en el control de prótesis de mano, lo que mejoraría su aceptación por parte de los amputados. Palabras Clave:Señales electromiográficas, prótesis de miembro superior, reconocimiento de patrones, tareas de destreza de la mano.

Sensory Integration in Human Movement: A New Brain-Machine Interface Based on Gamma Band and Attention Level for Controlling a Lower-Limb Exoskeleton

“…The introduction of these robotic devices into rehabilitation therapies can further improve them (Bortole et al, 2015 ). Regarding the control, EMG-based interfaces can be used to control prosthesis (Villarejo Mayor et al, 2017 ), but a Brain-Machine Interface (BMI) offers a more suitable option to control a mechanical device, such as a speller or a wheelchair (Li et al, 2014 ), and exoskeletons or robotic orthesis (Do et al, 2013 ; Kilicarslan et al, 2013 ; López-Larraz et al, 2016 ; Liu et al, 2017 ). In addition, a BMI can improve neuroplasticity during rehabilitation therapies through the cognitive engagement of the subject (Cramer, 2008 ; Gharabaghi, 2016 ; Barrios et al, 2017 ), a fact that has been proved in clinical studies (Donati et al, 2016 ).…”