Desarrollo de algoritmo de reconocimiento de movimientos de la mano basado en aprendizaje automático
En el campo de la biónica se han llevado a cabo proyectos que, usando algoritmos de aprendizaje automático, pueden realizar clasificación de señales, mostrar estadísticas o controlar prótesis. El trabajo desarrollado es un aporte al área de rehabilitación de miembros, se trata de un algoritmo capaz...
- Autores:
-
Bejarano Miranda, Luisa Fernanda
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2021
- Institución:
- Universidad Santo Tomás
- Repositorio:
- Repositorio Institucional USTA
- Idioma:
- spa
- OAI Identifier:
- oai:repository.usta.edu.co:11634/34737
- Acceso en línea:
- http://hdl.handle.net/11634/34737
- Palabra clave:
- Machine learning
Bionic
Electromyography
Multilayer Perceptron
Neural Networks
Artificial intelligence
Aprendizaje automático
Electromiografía
Inteligencia artificial
Biónica
Perceptrón Multicapa
Redes Neuronales
- Rights
- restrictedAccess
- License
- Atribución-NoComercial-SinDerivadas 2.5 Colombia
Summary: | En el campo de la biónica se han llevado a cabo proyectos que, usando algoritmos de aprendizaje automático, pueden realizar clasificación de señales, mostrar estadísticas o controlar prótesis. El trabajo desarrollado es un aporte al área de rehabilitación de miembros, se trata de un algoritmo capaz de aprender y reconocer el movimiento de los dedos de la mano de forma individual (menique, anular, corazón, índice y pulgar). El artículo presenta el diseño del algoritmo que a través un sensor electromiográfico (Myo desarrollado por Thalmic Labs), procesa las señales generadas por los miembros superiores. Para esto se realiza el diseño de una etapa de filtrado, una etapa de entrenamiento y una interfaz gráfica que le permita al usuario interactuar con las señales obtenidas. El desarrollo propone el uso de una red neuronal artificial tipo perceptrón multicapa usando las herramientas que proporciona el software de MATLAB como las librerías Multi-Layer Perceptron y el Add-On MinGW-w64. Los resultados de este desarrollo muestran cómo el algoritmo identifica las diferencias entre las características principales de las señales de cada dedo con una exactitud del 75.71% y utiliza la información recopilada para identificar nuevas muestras. Los resultados de este desarrollo muestran las fortalezas y debilidades del algoritmo, y permiten concluir que los algoritmos de aprendizaje automático ofrecen una solución escalable para el control de prótesis de brazo. |
---|