Implementación en hardware de un clasificador de señales electromiográficas de miembro superior

Este trabajo presenta el desarrollo e implementación en hardware de un modelo de clasificación de señales electromiográficas (EMG), a través de la selección de un método de preprocesamiento y una arquitectura de red neuronal convolucional (CNN), evaluados tanto en un PC como en una Raspberry Pi 4. L...

Full description

Autores:: Díaz Moreno, Nicolás Daniel
Moreno Cortes, William Santiago

Tipo de recurso:: Trabajo de grado de pregrado

Fecha de publicación:: 2024

Institución:: Universidad Distrital Francisco José de Caldas

Repositorio:: RIUD: repositorio U. Distrital

Idioma:: spa

id	UDISTRITA2_8817379b143ae184374e115a862f3f6e
oai_identifier_str	oai:repository.udistrital.edu.co:11349/94288
network_acronym_str	UDISTRITA2
network_name_str	RIUD: repositorio U. Distrital
repository_id_str
dc.title.none.fl_str_mv	Implementación en hardware de un clasificador de señales electromiográficas de miembro superior
dc.title.titleenglish.none.fl_str_mv	Hardware implementation of an upper limb electromyographic signal classifier
title	Implementación en hardware de un clasificador de señales electromiográficas de miembro superior
spellingShingle	Implementación en hardware de un clasificador de señales electromiográficas de miembro superior Clasificación Señales EMG Red Neuronal Convolucional Hardware Raspberry Pi Ingeniería Electrónica -- Tesis y disertaciones académicas Classification EMG Signals Convolutional Neural Network Hardware Raspberry Pi
title_short	Implementación en hardware de un clasificador de señales electromiográficas de miembro superior
title_full	Implementación en hardware de un clasificador de señales electromiográficas de miembro superior
title_fullStr	Implementación en hardware de un clasificador de señales electromiográficas de miembro superior
title_full_unstemmed	Implementación en hardware de un clasificador de señales electromiográficas de miembro superior
title_sort	Implementación en hardware de un clasificador de señales electromiográficas de miembro superior
dc.creator.fl_str_mv	Díaz Moreno, Nicolás Daniel Moreno Cortes, William Santiago
dc.contributor.advisor.none.fl_str_mv	Gaona Barrera, Andrés Eduardo
dc.contributor.author.none.fl_str_mv	Díaz Moreno, Nicolás Daniel Moreno Cortes, William Santiago
dc.contributor.orcid.none.fl_str_mv	Gaona Barrera, Andrés Eduardo [0000-0002-3966-5646]
dc.subject.none.fl_str_mv	Clasificación Señales EMG Red Neuronal Convolucional Hardware Raspberry Pi
topic	Clasificación Señales EMG Red Neuronal Convolucional Hardware Raspberry Pi Ingeniería Electrónica -- Tesis y disertaciones académicas Classification EMG Signals Convolutional Neural Network Hardware Raspberry Pi
dc.subject.lemb.none.fl_str_mv	Ingeniería Electrónica -- Tesis y disertaciones académicas
dc.subject.keyword.none.fl_str_mv	Classification EMG Signals Convolutional Neural Network Hardware Raspberry Pi
description	Este trabajo presenta el desarrollo e implementación en hardware de un modelo de clasificación de señales electromiográficas (EMG), a través de la selección de un método de preprocesamiento y una arquitectura de red neuronal convolucional (CNN), evaluados tanto en un PC como en una Raspberry Pi 4. La selección de estos elementos responde a una función de desempeño global propuesta, que integra índices de desempeño en software y hardware, como la precisión, el tiempo de ejecución y el uso de CPU, permitiendo identificar el método de preprocesamiento y los parámetros de la CNN que presentan los mejores resultados obtenidos. El clasificador de señales EMG para miembro superior se implementa en hardware y se valida mediante un PC que emula una pulsera MYO, enviando la señal del gesto seleccionado a través de Wi-Fi hacia la Raspberry Pi 4 para la clasificación de gestos en tiempo real.
publishDate	2024
dc.date.created.none.fl_str_mv	2024-11-12
dc.date.accessioned.none.fl_str_mv	2025-03-28T00:04:44Z
dc.date.available.none.fl_str_mv	2025-03-28T00:04:44Z
dc.type.none.fl_str_mv	bachelorThesis
dc.type.degree.none.fl_str_mv	Monografía
dc.type.driver.none.fl_str_mv	info:eu-repo/semantics/bachelorThesis
dc.type.coar.none.fl_str_mv	http://purl.org/coar/resource_type/c_7a1f
format	http://purl.org/coar/resource_type/c_7a1f
dc.identifier.uri.none.fl_str_mv	http://hdl.handle.net/11349/94288
url	http://hdl.handle.net/11349/94288
dc.language.iso.none.fl_str_mv	spa
language	spa
dc.relation.references.none.fl_str_mv	R. R. Rubio, «Aplicaciones de las señales electromiográficas» 1999. S. Hernández y L. Viviana, «Extracción de características y métodos de clasificación para reconocimiento de movimientos de mano a partir de señales de EMG y EEG» Universidad Distrital Francisco José de Caldas, 2020. H. A. Romo, J. C. Realpe y P. E. Jojoa, «Análisis de señales EMG superficiales y su aplicación en control de prótesis de mano» Revista avances en sistemas e informática, vol. 4, n.o 1, págs. 127-136, 2007. C. R. Nelson Felipe Rosas y M. Herrera, «Sistema de monitorización remoto de señales biomédicas vía celular» INGENIUM: Revista de la Facultad de Ingeniería, Universidad San Buenaventura, 2012. F. A. S. López, «LA BIOINGENIERÍA Y LA INGENIERÍA BIOMÉDICA EN COLOMBIA» 2009. S. M. Pérez, «Outofmind: sistema humano-computador para análisis de señales biomédicas en estado de meditación» Ponticia Universidad Javeriana, 2016. E. Cabrera y E. Montes, «Obtención y análisis de señales electromiográficas de las articulaciones tibiofemoral y femorotuliana aplicada a la detección y rehabilitación de problemas musculares en el movimiento de la rodilla» Universidad Politécnica Salesiana, 2012. A. P. C. Barboza y T. Y. G. Castilla, «Técnicas de extracción de características de señale biomédicas» 2007. L. Gila, A. Malanda, I. R. Carreño, J. R. Falces y J. Navallas, «Métodos de procesamiento y análisis de señales electromiográficas» Libro SUPLEMENTO, 2009. J. C. Vásquez, J. C. Oria y C. Y. Márquez, «Metodología de clasificación de señales electromiográficas» 2015. S. Young, B. Stephens-Fripp, A. Gillett, H. Zhou y G. Alici, «Pattern recognition for prosthetic hand user’s intentions using EMG data and machine learning techniques» IEEE/ASME International Conference on Advanced Intelligent Mechatronics, 2019. R. Meattini, S. Benatti, U. Scarcia, L. Benini y C. Melchiorri, «Experimental evaluation of a sEMG-based human-robot interface for human-like grasping tasks» IEEE International Conference on Robotics and Biomimetics, 2015. B. Taşar y A. Gülten, «EMG-Controlled Prosthetic Hand with Fuzzy Logic Classification Algorithm» Modern Fuzzy Control Systems and Its Applications., 2017. A. Bhattachayra, A. Arkar y P. Basak, «Time domain multi-feature extraction and classification of human hand movements using surface EMG» 4th International Conference on Advanced Computing and Communication Systems, 2017. K. Sharmila, T. V. Sarath y K. I. Ramachandran, «EMG controlled low cost prosthetic arm» IEEE International Conference on Distributed Computing, VLSI, Electrical Circuits and Robotics, 2016. C. M. B. Sandoval y Z. V. R. Varila, «Clasificación de señales electromiográficas (EMG) para una prótesis de mano» 2007. F. Sadikoglu, C. Kavalcioglu y B. Dagman, «Electromyogram (EMG) signal detection, classification of EMG signals and diagnosis of neuropathy muscle disease» 9th International Conference on Theory and Application of Soft Computing, Computing with Words and Perception, 2017. S. Jose, S. T. George, M. S. P. Subathra et al., «Robust Classification of Intramuscular EMG Signals to Aid the Diagnosis of Neuromuscular Disorders» IEEE Open Journal of Engineering in Medicine and Biology, 2020. K. Bakırcıoğlu y N. Özkurt, «Classification of EMG Signals Using Convolution Neural Network» International Journal of Applied Mathematics Electronics and Computers, 2020. Y. Wen, S. Avrillon, J. C. Hernandez-Pavon, S. J. Kim, F. Hug y J. L. Pons, «A convolutional neural network to identify motor units from high-density surface electromyography signals in real time» Journal of Neural Engineering, 2021. J. Tryon y A. L. Trejos, «Evaluating Convolutional Neural Networks as a Method of EEG-EMG Fusion» Frontiers in Neurobotics, 2021. J.-S. Kim, M.-G. Kim y S.-B. Pan, «Two-Step Biometrics Using Electromyogram Signal Based on Convolutional Neural Network-Long Short-Term Memory Networks» Applied Sciences, 2021. F. Tanco, C. Verrastro, D. Grinberg y J. Roitman, «Implementación de Redes neuronales artificiales en hardware para aplicación en detección automática de fulguraciones solares» Universidad Tecnológica Nacional, 2021. X. M. Betolaza, «Implementación de Redes neuronales en plataformas hardware para su aplicación en ingeniería eléctrica» Escuela de Ingeniería de Bilbao, 2021. E. L. Zapata, «Entrenamiento de una red neuronal hardware desde Matlab (Hardware In The Loop)» E.T.S.I. Industriales (UPM), 2017. D. E. Gutiérrez Galvis et al., «Reconocimiento de patrones en señales de electromiografía de enfermedades musculares» 2004. R. Álvarez Fiallo y E. Medina Herrera, «La neurofisiología en el estudio de las enfermedades neuromusculares, desarrollo y limitaciones actuales» Revista Cubana de Medicina Militar, vol. 33, n.o 3, págs. 0–0, 2004. P. Konrad, «The abc of emg» A practical introduction to kinesiological electromyography, vol. 1, n.o 2005, págs. 30-5, 2005. A. Kowalczyk, «By Alexandre Kowalczyk» C. S. Puentes, S. G. Huerta, L. B. Cervantes y R. S. Ruíz, «Caracterización y Clasificación Automática de Señales Electromiográficas Registradas durante la Marcha en Sujetos con Lesión en Miembro Inferior» en Memorias del Congreso Nacional de Ingeniería Biomédica, vol. 7, 2020, págs. 53-60. R. S. F., «Redes neuronales artificiales» Universidad de Valparaíso, 2004. F. Izaurieta y C. Saavedra, «Redes Neuronales Artificiales,» Universidad de Concepción, 2000. P. Larrañaga, I. Inza y A. Moujahid, «Redes Neuronales» Universidad del País Vasco–Euskal Herriko Unibertsitatea, 2016. M. Tripathi, «Analysis of Convolutional Neural Network based Image Classification Techniques» Journal of Innovative Image Processing (JIIP), 2021. H. Li, Y. Tian, C. Zhang, S. Zhang y P. M. Atkinson, «Temporal Sequence Objectbased CNN (TS-OCNN) for crop classification from fine resolution remote sensing image time-series» The Crop Journal, 2022. Y. Zhou, L. Liao, Y. Gao y H. Huang, «Extracting salient features from convolutional discriminative filters» Informatics and Computer Science Intelligent Systems Applications, 2021. J. D. Suárez, «Redes Neuronales Convolucionales en R» 2017. R. H. Hahnloser, R. Sarpeshkar, M. A. Mahowald, R. J. Douglas y H. S. Seung, «Digital selection and analogue amplification coexist in a cortex-inspired silicon circuit» Nature, 2000. A. F. M. Agarap, «Deep Learning using Rectified Linear Units (ReLU)» 2019. M. A. M. Karande y P. D. D. R. Kalbande, «Weight Assignment Algorithms for Designing Fully Connected Neural Network» I.J. Intelligent Systems and Applications, 2018. R. Merleti y P. Parker, «Electromyography: Physiology, Engineering and Noninvasive Applications» IEEE Press Engineering in Medicine and Biology Society, 2004. E. Guzmán-Muñoz y G. Méndez-Rebolledo, «Electromiografía en las Ciencias de la Rehabilitación» Revista Salud Uninorte, vol. 34, n.o 3, págs. 753-765, 2018. G. A. Vargas, Á. F. Abad, N. A. Baena, J. C. A. Guadarrama e I. C. Valdiviezo, «Control de Señales EMG para el Movimiento de un Brazo Robótico de Tres Grados de Libertad» Universidad Autónoma de Ciudad Juárez, 2015. I. University of California. «EMG data for gestures.» (2019), dirección: https: //archive.ics.uci.edu/dataset/481/emg+data+for+gestures. V. Medved y M. Cifrek, «Kinesiological electromyography» Biomechanics in applications, págs. 349-366, 2011. R. H. Chowdhury, M. B. I. Reaz, M. A. B. M. Ali, A. A. A. Bakar, K. Chellappan y T. G. Chang, «Surface Electromyography Signal Processing and Classification Techniques» Sensors, 2013. T. Y. Fukuda, J. O. Echeimberg, J. E. Pompeu et al., «Root Mean Square Value of the Electromyographic Signal in the Isometric Torque of the Quadriceps, Hamstrings and Brachial Biceps Muscles in Female Subjects» The Journal of Applied Research, 2010. L. Xu, E. Peri, R. Vullings, C. Rabotti, J. P. V. Dijk y M. Mischi, «Comparative Review of the Algorithms for Removal of Electrocardiographic Interference from Trunk Electromyography» Sensors, 2020. Á. M. Sanz, «Procesado avanzado de señales EMG» Universidad Carlos III de Madrid, Escuela politécnica superior, 2017. M. B. I. Reaz, M. S. Hussain1 y F. Mohd-Yasin, «Techniques of EMG signal analysis: detection, processing, classification and applications» Biological Procedures Online, 2006. M. A. Pinsky, «Introduction to Fourier Analysis andWavelets» American Mathematical Society, 2000. H. A. Romo, «Aplicación de Wavelets en el análisis y la extracción de características para la clasificación de señales EMGS» Universidad del Cauca, 2008. J. A. Cortés, H. B. C. Garzón y J. A. C. O., «Del análisis de Fourier a lasWavelets - Transformada Continua Wavelet (CWT)» Universidad Tecnológica de Pereira, 2007. F. Córdova Ricapa, «Desarrollo de un sistema para la evaluación de la actividad muscular mediante electrodos de superficie» 2013. C. M. D. Acevedo y A. L. J. Mogollón, «Optimización y clasificación de señales EMG a través de métodos de reconocimiento de patrones» Iteckne, vol. 10, n.o 1, págs. 67-76, 2013. K. Mehranzamir, M. Davarpanah, Z. Abdul-Malek y H. N. Afrouzi, «Discriminating cloud to ground lightning flashes based on wavelet analysis of electric field signals» Journal of Atmospheric and Solar-Terrestrial Physics, vol. 181, págs. 127-140, 2018. H.-P. Huang, Y.-H. Liu, L.-W. Liu y C.-S. Wong, «EMG classification for prehensile postures using cascaded architecture of neural networks with self-organizing maps» en 2003 IEEE International Conference on Robotics and Automation (Cat. No. 03CH37422), IEEE, vol. 1, 2003, págs. 1497-1502. M. A. Abu, S. Rosleesham, M. Z. Suboh, M. S. M. Yid, Z. Kornain y N. F. Jamaluddin, «Classification of EMG signal for multiple hand gestures based on neural network» Indonesian Journal of Electrical Engineering and Computer Science, vol. 17, n.o 1, págs. 256-263, 2020. J. J. V. Mayor, R. M. Costa, A. F. Neto y T. F. Bastos, «Decodificación de Movimientos Individuales de los Dedos y Agarre a Partir de Señales Mioeléctricas de Baja Densidad» Revista Iberoamericana de Automática e Informática industrial, vol. 14, n.o 2, págs. 184-192, 2017. D. C. Toledo-Pérez, J. Rodríguez-Reséndiz, R. A. Gómez-Loenzo y J. Jauregui- Correa, «Support vector machine-based EMG signal classification techniques: A review» Applied Sciences, vol. 9, n.o 20, pág. 4402, 2019. A. Subasi, E. Yaman, Y. Somaily, H. A. Alynabawi, F. Alobaidi y S. Altheibani, «Automated EMG signal classification for diagnosis of neuromuscular disorders using DWT and bagging» Procedia Computer Science, vol. 140, págs. 230-237, 2018. J. A. Palacio, A. Daniel y V. Mauricio, «Reconocimiento de patrones de señales emg, empleando clasificador bayesiano» Revista politécnica, vol. 9, n.o 16, págs. 21-26, 2013. E. A. Galindo, J. A. Perdomo y J. C. Figueroa-García, «Estudio comparativo entre máquinas de soporte vectorial multiclase, redes neuronales artificiales y sistema de inferencia neuro-difuso auto organizado para problemas de clasificación» Información tecnológica, vol. 31, n.o 1, págs. 273-286, 2020. J. A. A. Garcia, M. E. B. Zanoguera y F. Natanael, «Evaluación de la eficacia de PCA e ICA en la mejora del reconocimiento de movimientos musculares a partir de señales EMG crudas» Revista de Ciencias Tecnológicas, vol. 6, n.o 4, e318-e318, 2023. D. A. R. Lopez, M. A. López, J. E. D. Sánchez, H. L. Correa et al., «Implementación en FPGA de un clasificador de movimientos de la mano usando señales EMG» Redes de ingeniería, vol. 6, n.o 1, págs. 85-94, 2015. M. A. Mamani Cordero et al., «Detector de restricciones para la prevención de casos de contagio en la emergencia sanitaria basado en arduino y redes neuronales» Tesis doct. J. P. Gessler, «Sensor para análisis de alimentos aplicando espectroscopía de impedancia y redes neuronales artificiales» 2021. L. R. Villamizar Pabon y E. E. Perez Arias, «Sistema de identificación del nivel de maduración de la cacota de cacao mediante procesamiento de imágenes con base en microcontroladores» 2021. X. Maestre Betolaza, «Implementación de redes neuronales en plataformas hardware para su aplicación en ingeniería eléctrica» 2021. Y. L. N. Rao y G. Ravindranath, «Low cost implementation of DTC-SVM of Induction motor using ARDUINO UNO» en 2021 IEEE 2nd International Conference on Applied Electromagnetics, Signal Processing, & Communication (AESPC), IEEE, 2021, págs. 1-4. U. I. M. L. Repository. «EMG Data for Gestures.», dirección: https : / / archive.ics.uci.edu/dataset/481/emg+data+for+gestures. N. Team. «Ninapro-DB5 Data.», dirección: https : / / ninapro . hevs . ch / instructions/DB5.html. P. Konrad, «The ABC of EMG» Noraxon U.S.A. Inc, 2006. Mathworks. «Clasificación de secuencias mediante convoluciones 1D.», dirección: https://la.mathworks.com/help/deeplearning/ug/sequence-classificationusing- 1-d-convolutions.html. Á. Á. O. Gutiérrez, G. A. B. Orozco y E. G. Suárez, «Determinación de movimientos a partir de señales electromiográficas utilizando máquinas de soporte vectorial» Revista Médica de Risaralda, vol. 11, n.o 2, pág. 2, 2005. Mathworks. «Redes Neuronales Convolucionales.», dirección: https://la. mathworks.com/discovery/convolutional-neural-network-matlab.html. E. G. Muñoz y G. M. Rebolledo, «Electromiografía en las Ciencias de la Rehabilitación» Revista Salud Uninorte, 2018. I. B. Levitan y L. K. Kaczmarek, «The neuron: cell and molecular biology» Oxford University Press, 2001. J. V. Pinzón, R. P. Mayorga y G. C. Hurtado, «Brazo robótico controlado por electromiografía» Scientia et technica, vol. 1, n.o 52, págs. 165-173, 2012. H. Chanampe, S. Aciar, M. d. l. Vega, J. L. Molinari Sotomayor, G. Carrascosa y A. Lorefice, «Modelo de redes neuronales convolucionales profundas para la clasificación de lesiones en ecografías mamarias» en XXI Workshop de Investigadores en Ciencias de la Computación (WICC 2019, Universidad Nacional de San Juan)., 2019. F. López-Saca et al., «Clasificación de imágenes usando redes neuronales convolucionales» Tesis de mtría., Universidad Autónoma Metropolitana (México). Unidad Azcapotzalco . . ., 2019. L. Bottaci, «A genetic algorithm fitness function for mutation testing» en Proceedings of the SEMINALL-workshop at the 23rd international conference on software engineering, Toronto, Canada, Citeseer, 2001.
dc.rights.coar.fl_str_mv	http://purl.org/coar/access_right/c_abf2
dc.rights.acceso.none.fl_str_mv	Abierto (Texto Completo)
rights_invalid_str_mv	Abierto (Texto Completo) http://purl.org/coar/access_right/c_abf2
dc.format.mimetype.none.fl_str_mv	pdf
dc.publisher.none.fl_str_mv	Universidad Distrital Francisco José de Caldas
publisher.none.fl_str_mv	Universidad Distrital Francisco José de Caldas
institution	Universidad Distrital Francisco José de Caldas
bitstream.url.fl_str_mv	https://repository.udistrital.edu.co/bitstreams/cf64dfe6-64b8-4eb6-aa9a-39b2307df491/download https://repository.udistrital.edu.co/bitstreams/d7f1fd91-1122-4795-a6d3-204073132cff/download https://repository.udistrital.edu.co/bitstreams/7343a9c2-f2f0-4981-91f6-42337020659c/download https://repository.udistrital.edu.co/bitstreams/61d34187-14dd-4db9-811b-d38f2736252e/download https://repository.udistrital.edu.co/bitstreams/4db0cb6e-68ee-459a-9cfc-ff5cbf4aa159/download
bitstream.checksum.fl_str_mv	7c32b68805ccdc8cee1e63873128c23c c2bc4e8667f650e3140280750a9f7494 997daf6c648c962d566d7b082dac908d 1afa548cdd03478876ccf34b9000a5da 2dd0845a89d7aff9a4932021475d9842
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio Universidad Distrital
repository.mail.fl_str_mv	repositorio@udistrital.edu.co
_version_	1828164914755141632
spelling	Gaona Barrera, Andrés EduardoDíaz Moreno, Nicolás DanielMoreno Cortes, William SantiagoGaona Barrera, Andrés Eduardo [0000-0002-3966-5646]2025-03-28T00:04:44Z2025-03-28T00:04:44Z2024-11-12http://hdl.handle.net/11349/94288Este trabajo presenta el desarrollo e implementación en hardware de un modelo de clasificación de señales electromiográficas (EMG), a través de la selección de un método de preprocesamiento y una arquitectura de red neuronal convolucional (CNN), evaluados tanto en un PC como en una Raspberry Pi 4. La selección de estos elementos responde a una función de desempeño global propuesta, que integra índices de desempeño en software y hardware, como la precisión, el tiempo de ejecución y el uso de CPU, permitiendo identificar el método de preprocesamiento y los parámetros de la CNN que presentan los mejores resultados obtenidos. El clasificador de señales EMG para miembro superior se implementa en hardware y se valida mediante un PC que emula una pulsera MYO, enviando la señal del gesto seleccionado a través de Wi-Fi hacia la Raspberry Pi 4 para la clasificación de gestos en tiempo real.This work presents the development and hardware implementation of an electromyographic (EMG) signal classification model, through the selection of a preprocessing method and a convolutional neural network (CNN) architecture, evaluated on both a PC and a Raspberry Pi 4. The selection of these elements responds to a proposed global performance function, which integrates software and hardware performance metrics such as accuracy, execution time, and CPU usage, allowing the identification of the preprocessing method and the parameters of the CNN that present the best results obtained. The EMG signal classifier for the upper limb is implemented in hardware and is validated by a PC that emulates a MYO armband, sending the signal of the selected gesture via Wi-Fi to the Raspberry Pi 4 for real-time gesture classification.pdfspaUniversidad Distrital Francisco José de CaldasClasificaciónSeñales EMGRed Neuronal ConvolucionalHardwareRaspberry PiIngeniería Electrónica -- Tesis y disertaciones académicasClassificationEMG SignalsConvolutional Neural NetworkHardwareRaspberry PiImplementación en hardware de un clasificador de señales electromiográficas de miembro superiorHardware implementation of an upper limb electromyographic signal classifierbachelorThesisMonografíainfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_7a1fAbierto (Texto Completo)http://purl.org/coar/access_right/c_abf2R. R. Rubio, «Aplicaciones de las señales electromiográficas» 1999.S. Hernández y L. Viviana, «Extracción de características y métodos de clasificación para reconocimiento de movimientos de mano a partir de señales de EMG y EEG» Universidad Distrital Francisco José de Caldas, 2020.H. A. Romo, J. C. Realpe y P. E. Jojoa, «Análisis de señales EMG superficiales y su aplicación en control de prótesis de mano» Revista avances en sistemas e informática, vol. 4, n.o 1, págs. 127-136, 2007.C. R. Nelson Felipe Rosas y M. Herrera, «Sistema de monitorización remoto de señales biomédicas vía celular» INGENIUM: Revista de la Facultad de Ingeniería, Universidad San Buenaventura, 2012.F. A. S. López, «LA BIOINGENIERÍA Y LA INGENIERÍA BIOMÉDICA EN COLOMBIA» 2009.S. M. Pérez, «Outofmind: sistema humano-computador para análisis de señales biomédicas en estado de meditación» Ponticia Universidad Javeriana, 2016.E. Cabrera y E. Montes, «Obtención y análisis de señales electromiográficas de las articulaciones tibiofemoral y femorotuliana aplicada a la detección y rehabilitación de problemas musculares en el movimiento de la rodilla» Universidad Politécnica Salesiana, 2012.A. P. C. Barboza y T. Y. G. Castilla, «Técnicas de extracción de características de señale biomédicas» 2007.L. Gila, A. Malanda, I. R. Carreño, J. R. Falces y J. Navallas, «Métodos de procesamiento y análisis de señales electromiográficas» Libro SUPLEMENTO, 2009.J. C. Vásquez, J. C. Oria y C. Y. Márquez, «Metodología de clasificación de señales electromiográficas» 2015.S. Young, B. Stephens-Fripp, A. Gillett, H. Zhou y G. Alici, «Pattern recognition for prosthetic hand user’s intentions using EMG data and machine learning techniques» IEEE/ASME International Conference on Advanced Intelligent Mechatronics, 2019.R. Meattini, S. Benatti, U. Scarcia, L. Benini y C. Melchiorri, «Experimental evaluation of a sEMG-based human-robot interface for human-like grasping tasks» IEEE International Conference on Robotics and Biomimetics, 2015.B. Taşar y A. Gülten, «EMG-Controlled Prosthetic Hand with Fuzzy Logic Classification Algorithm» Modern Fuzzy Control Systems and Its Applications., 2017.A. Bhattachayra, A. Arkar y P. Basak, «Time domain multi-feature extraction and classification of human hand movements using surface EMG» 4th International Conference on Advanced Computing and Communication Systems, 2017.K. Sharmila, T. V. Sarath y K. I. Ramachandran, «EMG controlled low cost prosthetic arm» IEEE International Conference on Distributed Computing, VLSI, Electrical Circuits and Robotics, 2016.C. M. B. Sandoval y Z. V. R. Varila, «Clasificación de señales electromiográficas (EMG) para una prótesis de mano» 2007.F. Sadikoglu, C. Kavalcioglu y B. Dagman, «Electromyogram (EMG) signal detection, classification of EMG signals and diagnosis of neuropathy muscle disease» 9th International Conference on Theory and Application of Soft Computing, Computing with Words and Perception, 2017.S. Jose, S. T. George, M. S. P. Subathra et al., «Robust Classification of Intramuscular EMG Signals to Aid the Diagnosis of Neuromuscular Disorders» IEEE Open Journal of Engineering in Medicine and Biology, 2020.K. Bakırcıoğlu y N. Özkurt, «Classification of EMG Signals Using Convolution Neural Network» International Journal of Applied Mathematics Electronics and Computers, 2020.Y. Wen, S. Avrillon, J. C. Hernandez-Pavon, S. J. Kim, F. Hug y J. L. Pons, «A convolutional neural network to identify motor units from high-density surface electromyography signals in real time» Journal of Neural Engineering, 2021.J. Tryon y A. L. Trejos, «Evaluating Convolutional Neural Networks as a Method of EEG-EMG Fusion» Frontiers in Neurobotics, 2021.J.-S. Kim, M.-G. Kim y S.-B. Pan, «Two-Step Biometrics Using Electromyogram Signal Based on Convolutional Neural Network-Long Short-Term Memory Networks» Applied Sciences, 2021.F. Tanco, C. Verrastro, D. Grinberg y J. Roitman, «Implementación de Redes neuronales artificiales en hardware para aplicación en detección automática de fulguraciones solares» Universidad Tecnológica Nacional, 2021.X. M. Betolaza, «Implementación de Redes neuronales en plataformas hardware para su aplicación en ingeniería eléctrica» Escuela de Ingeniería de Bilbao, 2021.E. L. Zapata, «Entrenamiento de una red neuronal hardware desde Matlab (Hardware In The Loop)» E.T.S.I. Industriales (UPM), 2017.D. E. Gutiérrez Galvis et al., «Reconocimiento de patrones en señales de electromiografía de enfermedades musculares» 2004.R. Álvarez Fiallo y E. Medina Herrera, «La neurofisiología en el estudio de las enfermedades neuromusculares, desarrollo y limitaciones actuales» Revista Cubana de Medicina Militar, vol. 33, n.o 3, págs. 0–0, 2004.P. Konrad, «The abc of emg» A practical introduction to kinesiological electromyography, vol. 1, n.o 2005, págs. 30-5, 2005.A. Kowalczyk, «By Alexandre Kowalczyk»C. S. Puentes, S. G. Huerta, L. B. Cervantes y R. S. Ruíz, «Caracterización y Clasificación Automática de Señales Electromiográficas Registradas durante la Marcha en Sujetos con Lesión en Miembro Inferior» en Memorias del Congreso Nacional de Ingeniería Biomédica, vol. 7, 2020, págs. 53-60.R. S. F., «Redes neuronales artificiales» Universidad de Valparaíso, 2004.F. Izaurieta y C. Saavedra, «Redes Neuronales Artificiales,» Universidad de Concepción, 2000.P. Larrañaga, I. Inza y A. Moujahid, «Redes Neuronales» Universidad del País Vasco–Euskal Herriko Unibertsitatea, 2016.M. Tripathi, «Analysis of Convolutional Neural Network based Image Classification Techniques» Journal of Innovative Image Processing (JIIP), 2021.H. Li, Y. Tian, C. Zhang, S. Zhang y P. M. Atkinson, «Temporal Sequence Objectbased CNN (TS-OCNN) for crop classification from fine resolution remote sensing image time-series» The Crop Journal, 2022.Y. Zhou, L. Liao, Y. Gao y H. Huang, «Extracting salient features from convolutional discriminative filters» Informatics and Computer Science Intelligent Systems Applications, 2021.J. D. Suárez, «Redes Neuronales Convolucionales en R» 2017.R. H. Hahnloser, R. Sarpeshkar, M. A. Mahowald, R. J. Douglas y H. S. Seung, «Digital selection and analogue amplification coexist in a cortex-inspired silicon circuit» Nature, 2000.A. F. M. Agarap, «Deep Learning using Rectified Linear Units (ReLU)» 2019.M. A. M. Karande y P. D. D. R. Kalbande, «Weight Assignment Algorithms for Designing Fully Connected Neural Network» I.J. Intelligent Systems and Applications, 2018.R. Merleti y P. Parker, «Electromyography: Physiology, Engineering and Noninvasive Applications» IEEE Press Engineering in Medicine and Biology Society, 2004.E. Guzmán-Muñoz y G. Méndez-Rebolledo, «Electromiografía en las Ciencias de la Rehabilitación» Revista Salud Uninorte, vol. 34, n.o 3, págs. 753-765, 2018.G. A. Vargas, Á. F. Abad, N. A. Baena, J. C. A. Guadarrama e I. C. Valdiviezo, «Control de Señales EMG para el Movimiento de un Brazo Robótico de Tres Grados de Libertad» Universidad Autónoma de Ciudad Juárez, 2015.I. University of California. «EMG data for gestures.» (2019), dirección: https: //archive.ics.uci.edu/dataset/481/emg+data+for+gestures.V. Medved y M. Cifrek, «Kinesiological electromyography» Biomechanics in applications, págs. 349-366, 2011.R. H. Chowdhury, M. B. I. Reaz, M. A. B. M. Ali, A. A. A. Bakar, K. Chellappan y T. G. Chang, «Surface Electromyography Signal Processing and Classification Techniques» Sensors, 2013.T. Y. Fukuda, J. O. Echeimberg, J. E. Pompeu et al., «Root Mean Square Value of the Electromyographic Signal in the Isometric Torque of the Quadriceps, Hamstrings and Brachial Biceps Muscles in Female Subjects» The Journal of Applied Research, 2010.L. Xu, E. Peri, R. Vullings, C. Rabotti, J. P. V. Dijk y M. Mischi, «Comparative Review of the Algorithms for Removal of Electrocardiographic Interference from Trunk Electromyography» Sensors, 2020.Á. M. Sanz, «Procesado avanzado de señales EMG» Universidad Carlos III de Madrid, Escuela politécnica superior, 2017.M. B. I. Reaz, M. S. Hussain1 y F. Mohd-Yasin, «Techniques of EMG signal analysis: detection, processing, classification and applications» Biological Procedures Online, 2006.M. A. Pinsky, «Introduction to Fourier Analysis andWavelets» American Mathematical Society, 2000.H. A. Romo, «Aplicación de Wavelets en el análisis y la extracción de características para la clasificación de señales EMGS» Universidad del Cauca, 2008.J. A. Cortés, H. B. C. Garzón y J. A. C. O., «Del análisis de Fourier a lasWavelets - Transformada Continua Wavelet (CWT)» Universidad Tecnológica de Pereira, 2007.F. Córdova Ricapa, «Desarrollo de un sistema para la evaluación de la actividad muscular mediante electrodos de superficie» 2013.C. M. D. Acevedo y A. L. J. Mogollón, «Optimización y clasificación de señales EMG a través de métodos de reconocimiento de patrones» Iteckne, vol. 10, n.o 1, págs. 67-76, 2013.K. Mehranzamir, M. Davarpanah, Z. Abdul-Malek y H. N. Afrouzi, «Discriminating cloud to ground lightning flashes based on wavelet analysis of electric field signals» Journal of Atmospheric and Solar-Terrestrial Physics, vol. 181, págs. 127-140, 2018.H.-P. Huang, Y.-H. Liu, L.-W. Liu y C.-S. Wong, «EMG classification for prehensile postures using cascaded architecture of neural networks with self-organizing maps» en 2003 IEEE International Conference on Robotics and Automation (Cat. No. 03CH37422), IEEE, vol. 1, 2003, págs. 1497-1502.M. A. Abu, S. Rosleesham, M. Z. Suboh, M. S. M. Yid, Z. Kornain y N. F. Jamaluddin, «Classification of EMG signal for multiple hand gestures based on neural network» Indonesian Journal of Electrical Engineering and Computer Science, vol. 17, n.o 1, págs. 256-263, 2020.J. J. V. Mayor, R. M. Costa, A. F. Neto y T. F. Bastos, «Decodificación de Movimientos Individuales de los Dedos y Agarre a Partir de Señales Mioeléctricas de Baja Densidad» Revista Iberoamericana de Automática e Informática industrial, vol. 14, n.o 2, págs. 184-192, 2017.D. C. Toledo-Pérez, J. Rodríguez-Reséndiz, R. A. Gómez-Loenzo y J. Jauregui- Correa, «Support vector machine-based EMG signal classification techniques: A review» Applied Sciences, vol. 9, n.o 20, pág. 4402, 2019.A. Subasi, E. Yaman, Y. Somaily, H. A. Alynabawi, F. Alobaidi y S. Altheibani, «Automated EMG signal classification for diagnosis of neuromuscular disorders using DWT and bagging» Procedia Computer Science, vol. 140, págs. 230-237, 2018.J. A. Palacio, A. Daniel y V. Mauricio, «Reconocimiento de patrones de señales emg, empleando clasificador bayesiano» Revista politécnica, vol. 9, n.o 16, págs. 21-26, 2013.E. A. Galindo, J. A. Perdomo y J. C. Figueroa-García, «Estudio comparativo entre máquinas de soporte vectorial multiclase, redes neuronales artificiales y sistema de inferencia neuro-difuso auto organizado para problemas de clasificación» Información tecnológica, vol. 31, n.o 1, págs. 273-286, 2020.J. A. A. Garcia, M. E. B. Zanoguera y F. Natanael, «Evaluación de la eficacia de PCA e ICA en la mejora del reconocimiento de movimientos musculares a partir de señales EMG crudas» Revista de Ciencias Tecnológicas, vol. 6, n.o 4, e318-e318, 2023.D. A. R. Lopez, M. A. López, J. E. D. Sánchez, H. L. Correa et al., «Implementación en FPGA de un clasificador de movimientos de la mano usando señales EMG» Redes de ingeniería, vol. 6, n.o 1, págs. 85-94, 2015.M. A. Mamani Cordero et al., «Detector de restricciones para la prevención de casos de contagio en la emergencia sanitaria basado en arduino y redes neuronales» Tesis doct.J. P. Gessler, «Sensor para análisis de alimentos aplicando espectroscopía de impedancia y redes neuronales artificiales» 2021.L. R. Villamizar Pabon y E. E. Perez Arias, «Sistema de identificación del nivel de maduración de la cacota de cacao mediante procesamiento de imágenes con base en microcontroladores» 2021.X. Maestre Betolaza, «Implementación de redes neuronales en plataformas hardware para su aplicación en ingeniería eléctrica» 2021.Y. L. N. Rao y G. Ravindranath, «Low cost implementation of DTC-SVM of Induction motor using ARDUINO UNO» en 2021 IEEE 2nd International Conference on Applied Electromagnetics, Signal Processing, & Communication (AESPC), IEEE, 2021, págs. 1-4.U. I. M. L. Repository. «EMG Data for Gestures.», dirección: https : / / archive.ics.uci.edu/dataset/481/emg+data+for+gestures.N. Team. «Ninapro-DB5 Data.», dirección: https : / / ninapro . hevs . ch / instructions/DB5.html.P. Konrad, «The ABC of EMG» Noraxon U.S.A. Inc, 2006.Mathworks. «Clasificación de secuencias mediante convoluciones 1D.», dirección: https://la.mathworks.com/help/deeplearning/ug/sequence-classificationusing- 1-d-convolutions.html.Á. Á. O. Gutiérrez, G. A. B. Orozco y E. G. Suárez, «Determinación de movimientos a partir de señales electromiográficas utilizando máquinas de soporte vectorial» Revista Médica de Risaralda, vol. 11, n.o 2, pág. 2, 2005.Mathworks. «Redes Neuronales Convolucionales.», dirección: https://la. mathworks.com/discovery/convolutional-neural-network-matlab.html.E. G. Muñoz y G. M. Rebolledo, «Electromiografía en las Ciencias de la Rehabilitación» Revista Salud Uninorte, 2018.I. B. Levitan y L. K. Kaczmarek, «The neuron: cell and molecular biology» Oxford University Press, 2001.J. V. Pinzón, R. P. Mayorga y G. C. Hurtado, «Brazo robótico controlado por electromiografía» Scientia et technica, vol. 1, n.o 52, págs. 165-173, 2012.H. Chanampe, S. Aciar, M. d. l. Vega, J. L. Molinari Sotomayor, G. Carrascosa y A. Lorefice, «Modelo de redes neuronales convolucionales profundas para la clasificación de lesiones en ecografías mamarias» en XXI Workshop de Investigadores en Ciencias de la Computación (WICC 2019, Universidad Nacional de San Juan)., 2019.F. López-Saca et al., «Clasificación de imágenes usando redes neuronales convolucionales» Tesis de mtría., Universidad Autónoma Metropolitana (México). Unidad Azcapotzalco . . ., 2019.L. Bottaci, «A genetic algorithm fitness function for mutation testing» en Proceedings of the SEMINALL-workshop at the 23rd international conference on software engineering, Toronto, Canada, Citeseer, 2001.ORIGINALDíazMorenoNicolásDaniel2024.pdfDíazMorenoNicolásDaniel2024.pdfapplication/pdf6332417https://repository.udistrital.edu.co/bitstreams/cf64dfe6-64b8-4eb6-aa9a-39b2307df491/download7c32b68805ccdc8cee1e63873128c23cMD53Licencia de uso y publicacion.pdfLicencia de uso y publicacion.pdfapplication/pdf224021https://repository.udistrital.edu.co/bitstreams/d7f1fd91-1122-4795-a6d3-204073132cff/downloadc2bc4e8667f650e3140280750a9f7494MD54LICENSElicense.txtlicense.txttext/plain; charset=utf-87167https://repository.udistrital.edu.co/bitstreams/7343a9c2-f2f0-4981-91f6-42337020659c/download997daf6c648c962d566d7b082dac908dMD51THUMBNAILDíazMorenoNicolásDaniel2024.pdf.jpgDíazMorenoNicolásDaniel2024.pdf.jpgIM Thumbnailimage/jpeg5929https://repository.udistrital.edu.co/bitstreams/61d34187-14dd-4db9-811b-d38f2736252e/download1afa548cdd03478876ccf34b9000a5daMD55Licencia de uso y publicacion.pdf.jpgLicencia de uso y publicacion.pdf.jpgIM Thumbnailimage/jpeg9511https://repository.udistrital.edu.co/bitstreams/4db0cb6e-68ee-459a-9cfc-ff5cbf4aa159/download2dd0845a89d7aff9a4932021475d9842MD5611349/94288oai:repository.udistrital.edu.co:11349/942882025-03-28 01:02:59.301open.accesshttps://repository.udistrital.edu.coRepositorio Universidad Distritalrepositorio@udistrital.edu.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

Implementación en hardware de un clasificador de señales electromiográficas de miembro superior

Publicaciones similares