Caracterización de señales electromiográficas para la clasificación de cuatro movimientos de la mano empleando técnicas temporales y frecuenciales

dc.contributorFlórez Velásquez, Camilo Andrés
dc.creatorCruz Salazar, Mónica Andrea
dc.creatorAguilar Zapata, Olga María
dc.creatorAcosta Calle, Steven
dc.date2017-06-30T19:11:58Z
dc.date2017-06-30T19:11:58Z
dc.date2016
dc.date2017-06-30
dc.date.accessioned2023-09-07T15:28:01Z
dc.date.available2023-09-07T15:28:01Z
dc.identifierhttp://hdl.handle.net/10819/4129
dc.identifier.urihttps://repositorioslatinoamericanos.uchile.cl/handle/2250/8733533
dc.descriptionManipulating bionic prosthesis through electromyographic signals captured in humans or animals, it requires the detection of the existing correlation between the temporal characteristics and/or frequency of the electromyographic (EMG) signals captured with the type of movement executed by the muscle or muscles under study. This features or signal parameters are measured in different time intervals, generating a feature vector V = [V1, V2,...,VN]ERN, , where each parameter Vi ER is measured in the i- tenth time signal. Literature has proposed various techniques to characterized EMG signals that have shown to be very effective in detecting the type or types of movements performed, such as the coefficient technique of the autoregressive model (AR), the Zero Crossing, the temporal behavior of the mean and variance, the Short Time Fourier transform, the wavelet transform signal and the energy behavior in time among others. In this paper we will present the development of some temporary - Frequency techniques for the characteristics extraction of the EMG signals for 4 types of movements performed by a hand (arm supination - pronation, fingers Extension - Flexion) and application of principal component analysis (PCA) technique for the dimensions reduction of the characteristics vectors, in order to use the obtained features for each type of movement in a neural network classifier designed by the work team, which will autonomously discriminate the types of movement from the measurement of the EMG signals of the muscles under consideration. Finally, the experimental measurement of the matrix for the probability of success of the different techniques for characteristics extraction will be performed + Neural Network, to select the technique with greater success rate to be used at a later stage of the project for the online recognition of hand movements.
dc.descriptionLa manipulación de prótesis biónicas a partir de las señales electromiográfícas capturadas en seres humanos u otros animales, requiere la detección de la correlación existente entre las características temporales y/o en frecuencia de las señales electromiográfícas (EMGs) capturadas, con el tipo de movimiento ejecutado por el músculo o músculos bajo estudio. Estas características o parámetros de la señal son medidas en diferentes intervalos de tiempo, generando así un vector de características , donde cada parámetro es medido en el intervalo i – ésimo de tiempo de la señal. En la literatura se han propuesto diversas técnicas para caracterizar señales EMGs, que han demostrado ser muy eficientes en la detección del tipo o tipos de movimientos ejecutados, como por ejemplo la técnica de los coeficientes del modelo auto regresivo (AR), la medida del número de cruces por cero, el comportamiento temporal de la media y la varianza, la transformada corta de Fourier, la transformada Wavelet de la señal, el comportamiento de la energía en el tiempo entre otras. En el presente trabajo se procede a presentar el desarrollo de algunas técnicas temporales – frecuenciales para la caracterización de las señales EMGs medidas para 4 tipos de movimientos ejecutados por la mano (Supinación – Pronación del brazo, Extensión – Flexión de los dedos) y la aplicación de una técnica de reducción de dimensiones de los vectores de características, con la finalidad de emplear los parámetros obtenidos para cada tipo de movimiento en un clasificador por red neuronal diseñado por el equipo de trabajo, que se encargará de forma autónoma de discriminar los tipos de movimiento a partir de la medición de las señales EMG en los músculos de interés. Por último, se medirá experimentalmente la matriz de probabilidad de éxito de las diferentes técnicas de caracterización + Red Neuronal, para seleccionar la técnica con mayor porcentaje de éxito que se utilizará en una próxima etapa del proyecto en un equipo computacional de reconocimiento de movimientos de la mano en tiempo real.
dc.formatpdf
dc.format151 páginas
dc.formatRecurso en linea
dc.formatapplication/pdf
dc.formatapplication/pdf
dc.languagespa
dc.publisherIngenierias
dc.publisherIngeniería Electrónica
dc.publisherMedellín
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rightsAtribución-NoComercial-SinDerivadas 2.5 Colombia
dc.rightsPor medio de este formato manifiesto mi voluntad de AUTORIZAR a la Universidad de San Buenaventura, Sede Bogotá, Seccionales Medellín, Cali y Cartagena, la difusión en texto completo de manera gratuita y por tiempo indefinido en la Biblioteca Digital Universidad de San Buenaventura, el documento académico-investigativo objeto de la presente autorización, con fines estrictamente educativos, científicos y culturales, en los términos establecidos en la Ley 23 de 1982, Ley 44 de 1993, Decisión Andina 351 de 1993, Decreto 460 de 1995 y demás normas generales sobre derechos de autor. Como autor manifiesto que el presente documento académico-investigativo es original y se realiza sin violar o usurpar derechos de autor de terceros, por lo tanto, la obra es de mi exclusiva autora y poseo la titularidad sobre la misma. La Universidad de San Buenaventura no será responsable de ninguna utilización indebida del documento por parte de terceros y será exclusivamente mi responsabilidad atender personalmente cualquier reclamación que pueda presentarse a la Universidad. Autorizo a la Biblioteca Digital de la Universidad de San Buenaventura convertir el documento al formato que el repositorio lo requiera (impreso, digital, electrónico o cualquier otro conocido o por conocer) o con fines de preservación digital. Esta autorización no implica renuncia a la facultad que tengo de publicar posteriormente la obra, en forma total o parcial, por lo cual podrá, dando aviso por escrito con no menos de un mes de antelación, solicitar que el documento deje de estar disponible para el público en la Biblioteca Digital de la Universidad de San Buenaventura, así mismo, cuando se requiera por razones legales y/o reglas del editor de una revista.
dc.rightshttp://creativecommons.org/licenses/by-nc-nd/2.5/co/
dc.sourceArango, R., & Naranjo, J. J. (2010). Desarrollo de una herramienta de arquitectura abierta para la visualización y análisis de señales EEG (Tesis de Maestría). Universidad tecnológica de Pereira, Facultad de Ciencias Básicas.
dc.sourceBelalcázar, C. M., & Rengifo, Z. V. (2007). Clasificación de señales Electromiográficas (EMG) para una prótesis de mano (Trabajo de Grado). Universidad del Cauca Popayán, Facultad de Ingeniería Electrónica y Telecomunicaciones.
dc.sourceBetancourt, G., Giraldo, E., & Franco, J. (2004). Reconocimiento de patrones de movimiento a partir de señales Electromiográficas. Scientia Et Technica, 10(26), pp. 53-58.
dc.sourceBosco, G. (2010). Principal Component Analysis of Electromyography Signals: An Overview. The Open Rehabilitation Journal, 3(1), pp. 127-131.
dc.sourceCakar, O.; Sanliturk, K. Y. (2005). Noise elimination from measured frequency response functions. Mechanical Systems and Signal Processing, 19(3), pp. 615-631.
dc.sourceChowdhury, R., & Reaz, M. (2013). Surface Electromyography signal processing and classification techniques. Sensors, 13(9), pp. 12431-12466.
dc.sourceCrawford, B., Miller, K., Shenoy, P., & Rao, R. (2005). Real-Time classification of Electromyography Signal for robotic control. In AAAI, 5, pp. 523-528.
dc.sourceDantas, J., Camata, T. V., Brunetto, M. A., Moraes, A. C., Abrão, T., & Altimari, L. R. (2010). Fourier and Wavelet Spectral Analysis of EMG signal in isometric and dynamic maximal effort exercise. Annual International Conference of the IEEE Engineering in Medicine and Biology Society, 1(1), pp. 5979-5982.
dc.sourceDay, S. (2002). Important factors in surface EMG measurement. Bortec Biomedical Ltd publishers, pp. 1-17. Recuperado de http://goo.gl/uw9j1F.
dc.sourceDe Luca, C. J. (2002). Surface electromyography: Detection and recording. DelSys Incorporated, 10, 2011.
dc.sourceDurán, C. M., & Jaimes, A. L. (2013). Optimización y clasificación de señales EMG a través de métodos de reconocimiento de patrones. ITECKNE, 10(1), pp. 67-76.
dc.sourceEnglehart, K., Hudgins, B, and Parker, P. A. (2001). A wavelet based continuous classification scheme for multifunction myoelectric control, IEEE Transactions on Biomedical Engineering, 48(3), pp. 302-311.
dc.sourceFallas, J. J., Chavarría, J. (2011). Implementación del Análisis en Componentes Principales con el software estadístico R. Revista digital: Matemática, Educación e Internet, 11(2), pp. 1-29. Recuperado de: http://goo.gl/x29keT.
dc.sourceGarcía, J. A., Mendoza, L. E., & Flórez, E. G. (2015). Control de brazo electrónico usando señales Electromiográficas. Facultad de Ingeniería, 24(39), pp. 71-84.
dc.sourceGerdle, B., Karlsson, S., Day, S., Djupsjöbacka, M. (1999). Acquisition, Processing and Analysis of the Surface Electromyogram. In Modern techniques in neuroscience research (pp. 705-755). Springer Berlin Heidelberg.
dc.sourceGonzalez, J., Soubervielle, C., Vital. O., Pérez. H. (2012). EMG Pattern Recognition System Based on Neural Networks. In Artificial Intelligence (MICAI), 11th Mexican International Conference, pp. 71-74.
dc.sourceGraupe, D., & Cline, W. K. (1975). Functional separation of EMG Signals via ARMA identification Methods for Prosthesis Control Purpose. IEEE Transactions on Systems, Man and Cybernetics, (2), pp. 252-259.
dc.sourceHudgins, B., Parker, P., & Scott, R. (1993). A new strategy for multifunction myoelectric control. IEEE Transactions on Biomedical Engineering, 40(1),pp. 82-94.
dc.sourceKarlik, B. (2014). Machine Learning Algorithms for Characterization of EMG Signals. International Journal of Information and Electronics Engineering, 4(3), pp. 189.
dc.sourceKarlsson, S., Yu, J., Akay, M. (2000). Time-frequency analysis of myoelectric signals during dynamic contractions: a comparative study, IEEE Transactions on Biomedical Engineering, 47(2), pp. 228-238.
dc.sourceLevenberg, K. (1944). A Method for the solution of certain Non-Linear problems in least squares. Quarterly of Applied Mathematics, 2(2), pp. 164-168
dc.sourceLi, Q., & Chen, X. (2013). Noise reduction of accelerometer signal with singular value decomposition and Savitzky - Golay Filter. Journal of Information and Computational Science, 10(15), pp. 4783-4793.
dc.sourceMademli, L. (2010). The physiological background of EMG. Centre of Research & Technology – Hellas Informatics & Telematics Institute.
dc.sourceMarquardt, D. (1963). An algorithm for Least-Squares estimation of Nonlinear parameters.Journal of the society for Industrial and Applied Mathematics, 11(2), pp. 431-441.
dc.sourceMendoza, L. E., Garcia, J. (2014). Adquisición y procesamiento de señales EMG para controlar movimiento de un brazo hidráulico. Revista Mundo Fesc, 1(7), 49-60.
dc.sourceMendoza, L., Peña, J., Muñoz, L., Velandia, H. (2013). Procesamiento de señales provenientes del habla subvocal usando Wavelet Packet y redes neuronales. Tecnológicas, pp. 655-667.
dc.sourceMontes, V. E., & Guarín, G. (2005). Extracción de características de ECG basadas en transformaciones no lineales y wavelets. Ingeniería e Investigación, 25(3), 39-48.
dc.sourceNayak, S. C., Misra, B. B., and Behera, H. S. (2012). Evaluation of normalization methods on neuro-genetic models for stock index forecasting. In Information and Communication Technologies (WICT), World Congress, pp. 602-607
dc.sourceParveen, P., & Thuraisingham, B. (2006). Face recognition using various classifiers: Artificial neural network, Linear discriminant and Principal component analysis. Recuperado de https://goo.gl/QYBYK2
dc.sourcePla, M., Muñoz, R., & Gutiérrez, J. M. (2014). Hand movement classification using transient state analysis of surface multichannel EMG signal. In Health Care Exchanges (PAHCE), Pan American pp. 1-6.
dc.sourceProakis, J., Manolakis, D., (2006). Digital Signal Processing: Principles, algorithms and applications. New Jersey: Prentice Hall International, INC.
dc.sourceRhoades, R. A., Bell, D. R. (2012). Medical physiology: Principles for clinical medicine. Lippincott Williams & Wilkins.
dc.sourceRiaño, C., Quintero, V., (2010). Control de una mano virtual usando señales Electromiográficas (Trabajo de Grado). Universidad Militar Nueva Granada Bogotá D.C, Facultad de Ingeniería en Mecatrónica. Recuperado de http://goo.gl/ukgwmk.
dc.sourceRogers. D. R.., Dawn. T., Isaac. M. (2011). EMG-based muscle fatigue assessment during dynamic contractions using principal component analysis. Journal of Electromyography and Kinesiology, 21(5), pp. 811-818.
dc.sourceRomero, J. L. (2015). Análisis de señales electrocardiográficas usando técnicas de procesamiento digital. (Trabajo de grado). Universitat Oberta de Catalunya, Ingeniería Técnica De Telecomunicación. Recuperado de http://goo.gl/CHgpiu.
dc.sourceRomo, H., Realpe, J. (2007). Análisis de señales EMG superficiales y su aplicación en control de prótesis de mano. Avances en Sistemas e Informática, 4(1), pp. 127-136.
dc.sourceSandoval, C. L. (2013). Caracterización de la dinámica de los movimientos básicos de la mano a partir de la actividad electromiográfica del antebrazo (Tesis de Maestría). Universidad Industrial de Santander, Facultad de ingenierías fisicomecánicas. Recuperado de http://goo.gl/ANzyPv.
dc.sourceSanta-Cruz, M., Riso, R., Sepúlveda, F. (2001). Optimal selection of time series coefficients for wrist myoelectric control based on intramuscular recordings. In Engineering in Medicine and Biology Society. Proceedings of the 23rd Annual International Conference of the IEEE, 2, pp. 1384-1387.
dc.sourceSchlens, J. (2005). A tutorial on principal component analysis. Recuperado de http://goo.gl/M71yeH
dc.sourceSmith, L., Hargrove, L. (2013). Comparison of surface and intramuscular EMG pattern recognition for simultaneous wrist/hand motion classification. 35th Annual International Conference of the IEEE Engineering in Medicine and Biology society; Osaka. Japan.
dc.sourceThomas, D. Q. (2016). Curse 181 of kinesiology and recreation: Anatomy & Physiology Lecture. Statal University of Illinois. Recuperado de http://www.castonline.ilstu.edu/Thomas/181/Muscles%20of%20the%20Wrist%20a nd%20fingers%20DT.pdf. Osaka.
dc.sourceTkach, D., Huang, H., Kuiken, T. A. (2010). Study of stability of time-domain features for electromyography pattern recognition. Journal of Neuroengineering and Rehabilitation. 7(1).
dc.sourceTong, H., Kumar, T. K., Huang, Y. (2011). Developing Econometris. John Wiley & Sons.
dc.sourceTsuji, T., Fukuda, O., Kaneko, Makoto. (2000). Pattern classication of time-series EMG signals using neural networks. International Journal of Adaptative Control and Signal Processing. 14, pp. 829-848.
dc.sourceTurk, M., Pentland, A. (1991). Eigenfaces for recognition. Journal of cognitive neuroscience. 3(1), pp. 71 – 86.
dc.sourceVega, H., Cortez, A., Huayna, A. (2009). Reconocimiento de patrones mediante redes neuronales artificiales. Revista de Ingeniería de Sistemas e Informática, 6(2), 17-26.
dc.sourceVillarejo, J., Costa, R., Sarmiento, J., Frizera-Neto, A., Freire-Bastos, T. (2014). Sistema de control individual de dedos de una prótesis utilizando señales Electromiográficas de superficie. ResearchGate, pp. 1-8.
dc.sourceWang, J., Tang, L., Bronlund, J. E. (2013). Surface EMG signal amplification and filtering. International Journal of Computer Applications, 82(1).
dc.sourceWilson, J. R., Sharples, S., (2015). Evaluation of human work. CRC Press.
dc.sourceWolf, S., Kasman, Glenn. (2002). Surface EMG made easy: a beginner's guide for rehabilitation clinicians. Scottsdale, Arizona: Noraxon Inc USA.
dc.sourceZeghbib, A., Palis, F., Shoylev, N., Mladenov, V., Mastorakis, N. (2007). Sampling frequency and pass-band frequency effects on neuromuscular signals (EMG) recognition. In Proceedings of the 6th WSEAS International Conference on Signal Processing, Robotics and Automation. Istanbul, Turkey, pp. 1384-1387.
dc.sourceUniversidad de San Buenaventura - Medellín
dc.sourceBiblioteca USB Medellín (San Benito): CD-4194t
dc.sourceBiblioteca Digital Universidad de San Buenaventura
dc.subjectTransformada corta de fourier
dc.subjectModelos auto regresivos
dc.subjectAnálisis de componentes principales
dc.subjectDescomposición en valores singulares
dc.subjectSeñales electromiográficas
dc.subjectAnálisis de señales
dc.subjectMonitoreo de señales
dc.subjectTransformada de Fourier
dc.subjectFrecuencia
dc.subjectProcesamiento de señales
dc.subjectProcesamiento de señales
dc.subjectRedes neuronales
dc.titleCaracterización de señales electromiográficas para la clasificación de cuatro movimientos de la mano empleando técnicas temporales y frecuenciales
dc.typeTrabajo de grado - Pregrado
dc.typeTrabajo de Grado
dc.typeinfo:eu-repo/semantics/bachelorThesis


Este ítem pertenece a la siguiente institución