La presente investigación consiste en la recolección y procesamiento de señales musculares de treinta y siete (37) sujetos de prueba en función de tres (03) movimientos predefinidos. Estas señales fueron recolectadas a través del sensor de bajo costo Myoware Muscle Sensor (37 USD) y una placa de hardware libre (Arduino Mega 2560). Posteriormente, dichas señales fueron depuradas a través de un filtro pasa bajo con la finalidad de reducir el ruido inherente del sensor. Posterior a ello se aplicó el algoritmo de FastICA con la finalidad de descomponer las señales y entender de mejor manera los componentes y características que estos presentan. Finalmente, con las señales libres de ruido y reconstruidas en función de sus componentes, se realizó la clasificación según el movimiento al que dicho componente corresponde a través de técnicas de Machine Learning. La investigació...

Con la finalidad de encontrar las mejores técnicas para el análisis de señales electromiográficas (EMG) a través de medios computacionales para su uso en el control de prótesis, se realizaron dos clasificadores de señales. En este artículo se detallará la metodología empleada tanto en la obtención de las señales, como en la implementación del clasificador.