Diseño de un sistema de control mioeléctrico con clasificación en tiempo real de movimientos manuales basado en Deep Learning para mejorar la destreza de las prótesis de mano de agarre simple

• Autor: Barazorda Rodríguez, Edgard Jesús
• Formato: tesis de grado
• Fecha de Publicación: 2023
• Institución: Universidad Nacional de Ingeniería
• Repositorio: UNI-Tesis
• Lenguaje: español
• OAI Identifier: oai:cybertesis.uni.edu.pe:20.500.14076/27086
• Enlace del recurso: http://hdl.handle.net/20.500.14076/27086
• Nivel de acceso: acceso abierto
• Materia: Sistemas de control; Prótesis mioeléctricas; EMG; Control en tiempo real; https://purl.org/pe-repo/ocde/ford#2.03.02

En el Perú, las prótesis de mano con alta destreza son adquiridas casi exclusivamente mediante la importación, lo que conlleva altos costos y tiempos de espera. Asimismo, los desarrollos nacionales en el tema han tenido un enfoque de control de agarre simple, limitando el potencial que puede ofrecer el diseño mecánico. Con el fin de aumentar la destreza de este tipo de prótesis, el trabajo de investigación pretende diseñar un sistema de control mioeléctrico con clasificación en tiempo real de movimientos manuales basado en Deep Learning. El sistema de control propuesto consta de 3 subsistemas: adquisición, para capturar señales electromiografías (EMG) de 5 movimientos manuales relacionadas a las actividades de la vida diaria (AVD); procesamiento, para estandarizar, filtrar y convertir las señales en imágenes (escalogramas) utilizando la Transformada Wavelet Compleja (CWT); y clasificación, para entrenar un modelo CNN MobileNet V2 tomando los escalogramas como entrada. Con el fin de mejorar la interacción con el sistema de control, se programó una GUI que adquiera, procese y clasifique las señales en tiempo real; asimismo, para generar una retroalimentación visual en los usuarios se simuló una prótesis de código abierto. Mediante las pruebas experimentales realizadas con 5 voluntarios se obtuvo una precisión media de clasificación en tiempo real de 87.3% y una latencia de control media de 276.97 ms. Estos resultados respaldan una mejora del 30% en la destreza en comparación con los sistemas convencionales de control de agarre simple.