Método para la identificación de dirección de movimiento a partir de patrones espaciales en señales de electromiografía de alta densidad(HD-EMG) en contracciones voluntarias dinámicas, aplicado a la articulación del hombro
Por medio de la electromiografía de alta densidad (HD-EMG) ha sido posible analizar la distribución espacial de la actividad muscular, lo cual ha demostrado ser un factor determinante para el reconocimiento de patrones en movimientos estáticos y dinámicos. Debido a esta hipótesis, en este estudio se...
- Autores:
-
Peña Salinas, Lina María
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2021
- Institución:
- Universidad El Bosque
- Repositorio:
- Repositorio U. El Bosque
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unbosque.edu.co:20.500.12495/7243
- Palabra clave:
- HD-EMG
Descriptores espaciales
Reconocimeinto de patrones
610.28
HD-EMG
Spatial features
Patter recognition
- Rights
- openAccess
- License
- Attribution-NonCommercial-NoDerivatives 4.0 Internacional
Summary: | Por medio de la electromiografía de alta densidad (HD-EMG) ha sido posible analizar la distribución espacial de la actividad muscular, lo cual ha demostrado ser un factor determinante para el reconocimiento de patrones en movimientos estáticos y dinámicos. Debido a esta hipótesis, en este estudio se exploraron registros HD-EMG en cuatro grupos musculares, Bíceps, Pectoral, Trapecio y Tríceps, de la articulación del hombro, de 8 sujetos sanos con el fin de explorar descriptores espaciales para la clasificación de seis movimientos dinámicos. Se construyeron los mapas de activación calculando el valor de la raíz cuadrática media (RMS), la frecuencia mediana (MDNF) y la desviación absoluta de la media (MNAD) para cada canal de electromiografía, determinando la información mutua en cada grupo muscular por cada ciclo de movimiento entre los mapas de activación. Se observó que la variable RMS cumple un mejor índice de correlación y similitud frente a las demás variables. A partir de las cuadrículas de los mapas de activación se realizó una segmentación de la zona de activación, para cada grupo muscular, se obtuvo el centro de gravedad, el centroide (ambos con coordenadas en x y y), el valor de intensidad mediana y la orientación. Por medio del algoritmo de selección de características(Relieff y mRMR) se evaluó la identificación de movimientos para cada paciente de forma individual analizando la totalidad del grupo de características (línea base) vs la agrupación de características con mayor relevancia. Los resultados indican que la agrupación de características mejora el desempeño de la clasificación (Exactitud 96 %, Sensibilidad 94 %, precisión 95 %, F1-Score 95 %) |
---|