Clasificación de señales mioeléctricas superficiales de los movimientos de la mano utilizando técnicas de aprendizaje supervisado

• Autor: Galarza Flores, Marisol Cristel
• Formato: tesis de grado
• Fecha de Publicación: 2018
• Institución: Universidad Nacional de San Agustín
• Repositorio: UNSA-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unsa.edu.pe:UNSA/5910
• Enlace del recurso: http://repositorio.unsa.edu.pe/handle/UNSA/5910
• Nivel de acceso: acceso abierto
• Materia: Actividades cotidianas; Personas amputadas; Proceso de rehabilitación; Prótesis mioeléctrica; Normativa SENIAM; https://purl.org/pe-repo/ocde/ford#2.02.04

La falta total o parcial de un miembro superior en una persona disminuye su capacidad para desarrolarse con normalidad en actividades cotidianas. Existen diversas herramientas que ayudan a las personas amputadas, entre estas herramientas las extremidades artificiales son las que brindan mejores resultados en el proceso de rehabilitación de los amputados. Este estudio forma parte de uno mayor que tiene como objetivo desarrollar una prótesis mioeléctrica. Para este estudio se tomaron señales de cuatro movimientos de la mano (flexión, extensión, abrir mano y cerrar mano) usando la normativa SENIAM con electrodos bipolares superficiales, se procesaron estas señales, se extrajo un vector característico y se usaron dos clasificadores supervisados: Support Vector Machcine (SVM) y Redes Neuronales para clasificar estas señales en el movimiento que le corresponde. Los vectores característicos con los que se hicieron las pruebas están conformados por: los coeficientes de aproximación (cA) de la transformada Wavelet de la señal, los cien com- ponentes principales (PCA) de la señal, como algunas características estadísticas propias de la señal. Se probó la clasificación con cuatro movimientos diferentes, tomados en dos canales, con los vectores característicos propuestos y se comparó entrenando los clasificadores con la data pura de la señal (raw data), comprobándose que la extracción de características mejora el porcentaje de asertividad de la clasificación hasta en un 2.25 % en los mejores casos de clasificación obtenidos, que son el 91.00 % de señales correctamente clasificadas.