SEMG signal acquisition system for muscle fatigue detection

Abstract

This paper presents the development of a system for acquiring and processing of surface myoelectric signals or SEMG. The proposed system acquires signals SEMG skin surface using AgCl surface electrodes. The system has an amplification step and hardware filtering to streamline the processing time. Developed software for processing the Fourier transform SEMG amplified and filtered signal. Unlike other systems for acquisition of biological signals, which are developed for therapy or rehabilitation, this system is intended to be used for the control of robotic arms, so the software performs the measurement of fatigue using parameters like bleed average frequency and instantaneous power spectral density of the signal SEMG.

Myoelectric Interfaces and Related Applications: Current State of EMG Signal Processing–A Systematic Review

“…On the other hand, a desirable feature for data recording electrodes is their capability for avoiding overpotentials due to polarization. A silver chloride (Ag/AgCl) electrode complies with this feature [67]. In this regard, 13 out of the 27 works that consider bipolar sensors, reported that the sensors were constructed using Ag/AgCl, while the remaining 14, do not specify the construction material of the sensors employed.…”

Influencia de los Algoritmos de Entrenamiento de RNAs en la Predicción del Nivel de Embalse de Agua en una Estación Hidroeléctrica

“…Para poder determinar el error de predicción del nivel de embalse de agua en el futuro (N+1) durante el entrenamiento se utilizó una configuración CLP (predicción a lazo cerrado) según lo reportado en [11]. Además, el número de neuronas de entrada y el número de capas ocultas de la RNA fueron determinadas a partir del PSD (densidad espectral de potencia) de las tres señales de entrada siguiendo los lineamientos establecidos en [7], [12], [13]. En particular, la PSD muestra las frecuencias a las cuales las señales de entrada son más fuertes, y de esta manera se combina el número de neuronas.…”

“…Se basa en una biblioteca de manipulación de tensores especializada y bien optimizada, que actúa como el "motor de back-end" de Keras. En lugar de elegir una sola biblioteca de tensores y hacer que la implementación de Keras esté ligada a esa biblioteca, Keras maneja el problema de una manera modular, y varios motores back-end diferentes pueden conectarse sin problemas a Keras [13].…”