Inspenet, 04 de agosto 2023.
Una investigación innovadora ha obtenido resultados prometedores en el campo del control de dispositivos electrónicos mediante la activación eléctrica muscular. Este desarrollo del sistema de control podría tener aplicaciones en exoesqueletos, sillas de ruedas tecnificadas, pulseras mioeléctricas y otros dispositivos.
El desarrollo de técnicas de control que permitan funciones antropomórficas con alta precisión y confiabilidad en aplicaciones robóticas es más relevante que nunca. Las señales eléctricas de origen fisiológico, como la electromiografía (EMG), la electroencefalografía (EEG) y la electrooculografía (EOG), son esenciales para el control de dispositivos en la interacción humano-máquina.
La electromiografía (EMG) y los estudios de conducción nerviosa son pruebas utilizadas para medir la actividad eléctrica de los músculos y los nervios. Estos últimos transmiten señales eléctricas que provocan reacciones musculares específicas. Cuando un músculo se contrae, genera una señal eléctrica que puede ser detectada y medida.
En su tesis titulada “Procesamiento en tiempo real de señales de electromiografía mediante redes neuronales artificiales”, Sebastián Suaid, quien es Ingeniero en Electrónica, se enfoca en el uso de una herramienta de procesamiento digital conocida como red neuronal artificial, que imita el funcionamiento del cerebro humano. Esta red fue entrenada utilizando registros de EMG correspondientes a tres tipos de movimientos: torsión de la muñeca, extensión de los dedos de la mano y contracción del brazo.
Innovación en el manejo de dispositivos electrónicos
La implementación de una red neuronal artificial es una metodología viable para mejorar sistemas y dispositivos ya existentes mediante habilidades de ingeniería.
La relevancia de este trabajo radica en su capacidad para combinar el procesamiento de señales de EMG con sistemas y dispositivos existentes, brindando mayores oportunidades a personas con movilidad reducida.
Algunas aplicaciones potenciales del procesamiento de señales musculares incluyen la monitorización de la activación muscular para rehabilitación, la identificación de posibles patologías, el control de exoesqueletos, sillas de ruedas tecnificadas, prótesis y pulseras mioeléctricas, así como el reconocimiento de escritura y habla silenciosa.
El desarrollo de estos dispositivos está en aumento y su utilidad no se limita solo a aplicaciones terapéuticas o de rehabilitación, sino que también abarca aplicaciones cotidianas y domésticas para cualquier persona. Por tanto, estas nuevas tendencias apuntan hacia el uso frecuente de las interfaces mioeléctricas en la vida diaria.
El sistema de control mioeléctrico es posiblemente el método más simple para el usuario. Se fundamenta en el principio de que cada vez que un músculo del cuerpo se contrae o flexiona, se genera una pequeña señal eléctrica (EMG) debido a la interacción química en las fibras musculares.
La principal ventaja de los sistemas de control mioeléctrico radica en su capacidad para permitir un control manos libres de manera no invasiva, lo que posibilita la mejora de tecnologías ya existentes, como prótesis multifuncionales, control de agarre, sillas de ruedas, entre otras.
El núcleo central de la investigación se centra en la clasificación de las señales de activación muscular basadas en EMG. El procesamiento de estas señales de electromiografía (EMG) es complejo debido a su naturaleza aleatoria.
Las redes neuronales artificiales, que emulan el procesamiento cerebral humano, juegan un papel fundamental en el aprendizaje automático (machine learning), una rama de la inteligencia artificial.
En este procesamiento, se aplican algoritmos de aprendizaje supervisado que permiten identificar registros de señales de EMG. Para caracterizar estas señales, se emplea una herramienta matemática llamada Transformada Rápida de Fourier (FFT).
Los resultados obtenidos en la investigación son altamente prometedores. Mediante órdenes proporcionadas por la red neuronal artificial, se logró un nivel de precisión del 92% en los movimientos en el conjunto de entrenamiento y del 76% en el conjunto de validación.
El trabajo fue realizado con el apoyo del Grupo de Ingeniería Biomédica de la FaCENA.
Fuente y foto: https://noticiasdelaciencia.com/art/47491/manejo-de-dispositivos-electronicos-a-partir-de-senales-musculares
Cargando...
