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

Manipulating 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...

Full description

Autores:
Cruz Salazar, Mónica Andrea
Aguilar Zapata, Olga María
Acosta Calle, Steven
Tipo de recurso:
Fecha de publicación:
2016
Institución:
Universidad de San Buenaventura
Repositorio:
Repositorio USB
Idioma:
spa
OAI Identifier:
oai:bibliotecadigital.usb.edu.co:10819/4129
Acceso en línea:
http://hdl.handle.net/10819/4129
Palabra clave:
Transformada corta de fourier
Modelos auto regresivos
Análisis de componentes principales
Descomposición en valores singulares
Señales electromiográficas
Análisis de señales
Monitoreo de señales
Transformada de Fourier
Frecuencia
Procesamiento de señales
Procesamiento de señales
Redes neuronales
Rights
License
Atribución-NoComercial-SinDerivadas 2.5 Colombia
id SANBUENAV2_3c7d5998d8042ff144ab013c87a43fbb
oai_identifier_str oai:bibliotecadigital.usb.edu.co:10819/4129
network_acronym_str SANBUENAV2
network_name_str Repositorio USB
repository_id_str
dc.title.spa.fl_str_mv Caracterización de señales electromiográficas para la clasificación de cuatro movimientos de la mano empleando técnicas temporales y frecuenciales
title Caracterización de señales electromiográficas para la clasificación de cuatro movimientos de la mano empleando técnicas temporales y frecuenciales
spellingShingle Caracterización de señales electromiográficas para la clasificación de cuatro movimientos de la mano empleando técnicas temporales y frecuenciales
Transformada corta de fourier
Modelos auto regresivos
Análisis de componentes principales
Descomposición en valores singulares
Señales electromiográficas
Análisis de señales
Monitoreo de señales
Transformada de Fourier
Frecuencia
Procesamiento de señales
Procesamiento de señales
Redes neuronales
title_short Caracterización de señales electromiográficas para la clasificación de cuatro movimientos de la mano empleando técnicas temporales y frecuenciales
title_full Caracterización de señales electromiográficas para la clasificación de cuatro movimientos de la mano empleando técnicas temporales y frecuenciales
title_fullStr Caracterización de señales electromiográficas para la clasificación de cuatro movimientos de la mano empleando técnicas temporales y frecuenciales
title_full_unstemmed Caracterización de señales electromiográficas para la clasificación de cuatro movimientos de la mano empleando técnicas temporales y frecuenciales
title_sort Caracterización de señales electromiográficas para la clasificación de cuatro movimientos de la mano empleando técnicas temporales y frecuenciales
dc.creator.fl_str_mv Cruz Salazar, Mónica Andrea
Aguilar Zapata, Olga María
Acosta Calle, Steven
dc.contributor.advisor.none.fl_str_mv Flórez Velásquez, Camilo Andrés
dc.contributor.author.none.fl_str_mv Cruz Salazar, Mónica Andrea
Aguilar Zapata, Olga María
Acosta Calle, Steven
dc.subject.spa.fl_str_mv Transformada corta de fourier
Modelos auto regresivos
Análisis de componentes principales
Descomposición en valores singulares
Señales electromiográficas
topic Transformada corta de fourier
Modelos auto regresivos
Análisis de componentes principales
Descomposición en valores singulares
Señales electromiográficas
Análisis de señales
Monitoreo de señales
Transformada de Fourier
Frecuencia
Procesamiento de señales
Procesamiento de señales
Redes neuronales
dc.subject.lemb.spa.fl_str_mv Análisis de señales
Monitoreo de señales
Transformada de Fourier
Frecuencia
Procesamiento de señales
Procesamiento de señales
Redes neuronales
description Manipulating 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.
publishDate 2016
dc.date.issued.none.fl_str_mv 2016
dc.date.accessioned.none.fl_str_mv 2017-06-30T19:11:58Z
dc.date.available.none.fl_str_mv 2017-06-30T19:11:58Z
dc.date.submitted.none.fl_str_mv 2017-06-30
dc.type.spa.fl_str_mv Trabajo de grado - Pregrado
dc.type.coar.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.spa.spa.fl_str_mv Trabajo de Grado
dc.type.driver.spa.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/10819/4129
url http://hdl.handle.net/10819/4129
dc.language.iso.spa.fl_str_mv spa
language spa
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.cc.spa.fl_str_mv Atribución-NoComercial-SinDerivadas 2.5 Colombia
dc.rights.uri.spa.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/2.5/co/
rights_invalid_str_mv Atribución-NoComercial-SinDerivadas 2.5 Colombia
http://creativecommons.org/licenses/by-nc-nd/2.5/co/
http://purl.org/coar/access_right/c_abf2
dc.format.spa.fl_str_mv pdf
dc.format.extent.spa.fl_str_mv 151 páginas
dc.format.medium.spa.fl_str_mv Recurso en linea
dc.format.mimetype.spa.fl_str_mv application/pdf
dc.publisher.faculty.spa.fl_str_mv Ingenierias
dc.publisher.program.spa.fl_str_mv Ingeniería Electrónica
dc.publisher.sede.spa.fl_str_mv Medellín
institution Universidad de San Buenaventura
dc.source.bibliographicCitation.spa.fl_str_mv Arango, 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.
Belalcázar, 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.
Betancourt, G., Giraldo, E., & Franco, J. (2004). Reconocimiento de patrones de movimiento a partir de señales Electromiográficas. Scientia Et Technica, 10(26), pp. 53-58.
Bosco, G. (2010). Principal Component Analysis of Electromyography Signals: An Overview. The Open Rehabilitation Journal, 3(1), pp. 127-131.
Cakar, O.; Sanliturk, K. Y. (2005). Noise elimination from measured frequency response functions. Mechanical Systems and Signal Processing, 19(3), pp. 615-631.
Chowdhury, R., & Reaz, M. (2013). Surface Electromyography signal processing and classification techniques. Sensors, 13(9), pp. 12431-12466.
Crawford, B., Miller, K., Shenoy, P., & Rao, R. (2005). Real-Time classification of Electromyography Signal for robotic control. In AAAI, 5, pp. 523-528.
Dantas, 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.
Day, S. (2002). Important factors in surface EMG measurement. Bortec Biomedical Ltd publishers, pp. 1-17. Recuperado de http://goo.gl/uw9j1F.
De Luca, C. J. (2002). Surface electromyography: Detection and recording. DelSys Incorporated, 10, 2011.
Durán, 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.
Englehart, 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.
Fallas, 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.
García, J. A., Mendoza, L. E., & Flórez, E. G. (2015). Control de brazo electrónico usando señales Electromiográficas. Facultad de Ingeniería, 24(39), pp. 71-84.
Gerdle, 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.
Gonzalez, 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.
Graupe, 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.
Hudgins, B., Parker, P., & Scott, R. (1993). A new strategy for multifunction myoelectric control. IEEE Transactions on Biomedical Engineering, 40(1),pp. 82-94.
Karlik, B. (2014). Machine Learning Algorithms for Characterization of EMG Signals. International Journal of Information and Electronics Engineering, 4(3), pp. 189.
Karlsson, 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.
Levenberg, K. (1944). A Method for the solution of certain Non-Linear problems in least squares. Quarterly of Applied Mathematics, 2(2), pp. 164-168
Li, 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.
Mademli, L. (2010). The physiological background of EMG. Centre of Research & Technology – Hellas Informatics & Telematics Institute.
Marquardt, 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.
Mendoza, 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.
Mendoza, 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.
Montes, V. E., & Guarín, G. (2005). Extracción de características de ECG basadas en transformaciones no lineales y wavelets. Ingeniería e Investigación, 25(3), 39-48.
Nayak, 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
Parveen, P., & Thuraisingham, B. (2006). Face recognition using various classifiers: Artificial neural network, Linear discriminant and Principal component analysis. Recuperado de https://goo.gl/QYBYK2
Pla, 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.
Proakis, J., Manolakis, D., (2006). Digital Signal Processing: Principles, algorithms and applications. New Jersey: Prentice Hall International, INC.
Rhoades, R. A., Bell, D. R. (2012). Medical physiology: Principles for clinical medicine. Lippincott Williams & Wilkins.
Riaño, 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.
Rogers. 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.
Romero, 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.
Romo, 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.
Sandoval, 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.
Santa-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.
Schlens, J. (2005). A tutorial on principal component analysis. Recuperado de http://goo.gl/M71yeH
Smith, 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.
Thomas, 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.
Tkach, 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).
Tong, H., Kumar, T. K., Huang, Y. (2011). Developing Econometris. John Wiley & Sons.
Tsuji, 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.
Turk, M., Pentland, A. (1991). Eigenfaces for recognition. Journal of cognitive neuroscience. 3(1), pp. 71 – 86.
Vega, H., Cortez, A., Huayna, A. (2009). Reconocimiento de patrones mediante redes neuronales artificiales. Revista de Ingeniería de Sistemas e Informática, 6(2), 17-26.
Villarejo, 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.
Wang, J., Tang, L., Bronlund, J. E. (2013). Surface EMG signal amplification and filtering. International Journal of Computer Applications, 82(1).
Wilson, J. R., Sharples, S., (2015). Evaluation of human work. CRC Press.
Wolf, S., Kasman, Glenn. (2002). Surface EMG made easy: a beginner's guide for rehabilitation clinicians. Scottsdale, Arizona: Noraxon Inc USA.
Zeghbib, 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.source.instname.spa.fl_str_mv Universidad de San Buenaventura - Medellín
dc.source.other.spa.fl_str_mv Biblioteca USB Medellín (San Benito): CD-4194t
dc.source.reponame.spa.fl_str_mv Biblioteca Digital Universidad de San Buenaventura
bitstream.url.fl_str_mv https://bibliotecadigital.usb.edu.co/bitstreams/8943cdc3-0d5e-42af-908d-2c9e8774d4d8/download
https://bibliotecadigital.usb.edu.co/bitstreams/9a5b344d-abf0-44e7-8813-236d9e699737/download
https://bibliotecadigital.usb.edu.co/bitstreams/386f32c5-a03e-4d1a-a1ce-95ab7777a4c2/download
https://bibliotecadigital.usb.edu.co/bitstreams/1a8db03e-14c0-4515-858f-005ec41c7e0e/download
bitstream.checksum.fl_str_mv 39009fed8c9221d853b6d1641bdec83b
0c7b7184e7583ec671a5d9e43f0939c0
7d624df73a2d8841e426170f7958a443
1787491786b5dd1e23f6720052769272
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional Universidad de San Buenaventura Colombia
repository.mail.fl_str_mv bdigital@metabiblioteca.com
_version_ 1812932430848327680
spelling Comunidad Científica y AcadémicaFlórez Velásquez, Camilo Andrésba214de5-a432-4bd6-8f71-19bb0ffc63f6-1Cruz Salazar, Mónica Andrea032a3ea6-c739-4781-bcf3-2d7d435f9a1d-1Aguilar Zapata, Olga María8eec827b-9b3d-4788-a8f5-d3c004faabac-1Acosta Calle, Steveneb6d599c-68d0-4c36-a0f7-6bc7ef8ed58d-12017-06-30T19:11:58Z2017-06-30T19:11:58Z20162017-06-30Manipulating 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.La 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.pdf151 páginasRecurso en lineaapplication/pdfhttp://hdl.handle.net/10819/4129spaIngenieriasIngeniería ElectrónicaMedellínAtribución-NoComercial-SinDerivadas 2.5 ColombiaPor 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.http://creativecommons.org/licenses/by-nc-nd/2.5/co/http://purl.org/coar/access_right/c_abf2Arango, 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.Belalcázar, 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.Betancourt, G., Giraldo, E., & Franco, J. (2004). Reconocimiento de patrones de movimiento a partir de señales Electromiográficas. Scientia Et Technica, 10(26), pp. 53-58.Bosco, G. (2010). Principal Component Analysis of Electromyography Signals: An Overview. The Open Rehabilitation Journal, 3(1), pp. 127-131.Cakar, O.; Sanliturk, K. Y. (2005). Noise elimination from measured frequency response functions. Mechanical Systems and Signal Processing, 19(3), pp. 615-631.Chowdhury, R., & Reaz, M. (2013). Surface Electromyography signal processing and classification techniques. Sensors, 13(9), pp. 12431-12466.Crawford, B., Miller, K., Shenoy, P., & Rao, R. (2005). Real-Time classification of Electromyography Signal for robotic control. In AAAI, 5, pp. 523-528.Dantas, 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.Day, S. (2002). Important factors in surface EMG measurement. Bortec Biomedical Ltd publishers, pp. 1-17. Recuperado de http://goo.gl/uw9j1F.De Luca, C. J. (2002). Surface electromyography: Detection and recording. DelSys Incorporated, 10, 2011.Durán, 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.Englehart, 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.Fallas, 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.García, J. A., Mendoza, L. E., & Flórez, E. G. (2015). Control de brazo electrónico usando señales Electromiográficas. Facultad de Ingeniería, 24(39), pp. 71-84.Gerdle, 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.Gonzalez, 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.Graupe, 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.Hudgins, B., Parker, P., & Scott, R. (1993). A new strategy for multifunction myoelectric control. IEEE Transactions on Biomedical Engineering, 40(1),pp. 82-94.Karlik, B. (2014). Machine Learning Algorithms for Characterization of EMG Signals. International Journal of Information and Electronics Engineering, 4(3), pp. 189.Karlsson, 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.Levenberg, K. (1944). A Method for the solution of certain Non-Linear problems in least squares. Quarterly of Applied Mathematics, 2(2), pp. 164-168Li, 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.Mademli, L. (2010). The physiological background of EMG. Centre of Research & Technology – Hellas Informatics & Telematics Institute.Marquardt, 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.Mendoza, 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.Mendoza, 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.Montes, V. E., & Guarín, G. (2005). Extracción de características de ECG basadas en transformaciones no lineales y wavelets. Ingeniería e Investigación, 25(3), 39-48.Nayak, 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. 602-607Parveen, P., & Thuraisingham, B. (2006). Face recognition using various classifiers: Artificial neural network, Linear discriminant and Principal component analysis. Recuperado de https://goo.gl/QYBYK2Pla, 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.Proakis, J., Manolakis, D., (2006). Digital Signal Processing: Principles, algorithms and applications. New Jersey: Prentice Hall International, INC.Rhoades, R. A., Bell, D. R. (2012). Medical physiology: Principles for clinical medicine. Lippincott Williams & Wilkins.Riaño, 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.Rogers. 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.Romero, 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.Romo, 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.Sandoval, 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.Santa-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.Schlens, J. (2005). A tutorial on principal component analysis. Recuperado de http://goo.gl/M71yeHSmith, 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.Thomas, 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.Tkach, 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).Tong, H., Kumar, T. K., Huang, Y. (2011). Developing Econometris. John Wiley & Sons.Tsuji, 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.Turk, M., Pentland, A. (1991). Eigenfaces for recognition. Journal of cognitive neuroscience. 3(1), pp. 71 – 86.Vega, H., Cortez, A., Huayna, A. (2009). Reconocimiento de patrones mediante redes neuronales artificiales. Revista de Ingeniería de Sistemas e Informática, 6(2), 17-26.Villarejo, 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.Wang, J., Tang, L., Bronlund, J. E. (2013). Surface EMG signal amplification and filtering. International Journal of Computer Applications, 82(1).Wilson, J. R., Sharples, S., (2015). Evaluation of human work. CRC Press.Wolf, S., Kasman, Glenn. (2002). Surface EMG made easy: a beginner's guide for rehabilitation clinicians. Scottsdale, Arizona: Noraxon Inc USA.Zeghbib, 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.Universidad de San Buenaventura - MedellínBiblioteca USB Medellín (San Benito): CD-4194tBiblioteca Digital Universidad de San BuenaventuraTransformada corta de fourierModelos auto regresivosAnálisis de componentes principalesDescomposición en valores singularesSeñales electromiográficasAnálisis de señalesMonitoreo de señalesTransformada de FourierFrecuenciaProcesamiento de señalesProcesamiento de señalesRedes neuronalesIngeniero ElectrónicoCaracterización de señales electromiográficas para la clasificación de cuatro movimientos de la mano empleando técnicas temporales y frecuencialesTrabajo de grado - PregradoTrabajo de Gradoinfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_7a1fPublicationORIGINALCaracterizacion_ Senales_Electromiograficas_Cruz_2016.pdfCaracterizacion_ Senales_Electromiograficas_Cruz_2016.pdfapplication/pdf5604090https://bibliotecadigital.usb.edu.co/bitstreams/8943cdc3-0d5e-42af-908d-2c9e8774d4d8/download39009fed8c9221d853b6d1641bdec83bMD51LICENSElicense.txtlicense.txttext/plain; charset=utf-82071https://bibliotecadigital.usb.edu.co/bitstreams/9a5b344d-abf0-44e7-8813-236d9e699737/download0c7b7184e7583ec671a5d9e43f0939c0MD52TEXTCaracterizacion_ Senales_Electromiograficas_Cruz_2016.pdf.txtCaracterizacion_ Senales_Electromiograficas_Cruz_2016.pdf.txtExtracted texttext/plain190819https://bibliotecadigital.usb.edu.co/bitstreams/386f32c5-a03e-4d1a-a1ce-95ab7777a4c2/download7d624df73a2d8841e426170f7958a443MD53THUMBNAILCaracterizacion_ Senales_Electromiograficas_Cruz_2016.pdf.jpgCaracterizacion_ Senales_Electromiograficas_Cruz_2016.pdf.jpgGenerated Thumbnailimage/jpeg6770https://bibliotecadigital.usb.edu.co/bitstreams/1a8db03e-14c0-4515-858f-005ec41c7e0e/download1787491786b5dd1e23f6720052769272MD5410819/4129oai:bibliotecadigital.usb.edu.co:10819/41292023-02-24 11:31:33.293http://creativecommons.org/licenses/by-nc-nd/2.5/co/https://bibliotecadigital.usb.edu.coRepositorio Institucional Universidad de San Buenaventura Colombiabdigital@metabiblioteca.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

Publicaciones similares