Clasificación de señales musculares para prótesis de extremidad superior a través de sensores de bajo costo

Abstract

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 investigación se realizó con la finalidad de sentar las bases para un modelo de clasificación de señales musculares adecuado y preciso para, en un futuro, implementar una prótesis de extremidad superior accesible a personas de bajos recursos, alcanzando un porcentaje de exactitud en los movimientos del 86,9565%.

The present research consists of the collection and processing of muscular signals of thirty-seven (37) test subjects based on three (03) predefined movements. These signals were collected through the low-cost sensor Myoware Muscle Sensor (37 USD) and an open-source hardware board (Arduino Mega 2560). Subsequently, these signals were filtered through a low pass filter in order to reduce the inherent noise of the sensor. After that, the FastICA algorithm was applied in order to break down the signals and get a better understanding of the components and features they present. Finally, with the noise-free and reconstructed signals, the classification was made according to the type of movement through Machine Learning techniques. The research was carried out in order to lay the foundations for a proper and accurate muscle signal classification model in order to, in the future, implement an upper limb prosthesis accessible to low-income people, reaching a percentage of accuracy in movements of 86.9565%