RESUMO
Introducción: este artículo presenta la predicción de tres tipos de movimientos básicos de la mano mediante un algoritmo inteligente para extraer características imprescindibles para el reconocimiento de patrones de movimiento a partir del análisis de señales electromiográficas superficiales adquiridas con el dispositivo Myo. Objetivo: reconocer y predecir patrones básicos de movimiento de la articulación del brazo utilizando electromiografía de superficie para aplicarlo sobre un prototipo de prótesis. Métodos: se tomaron datos de 13 estudiantes de 22 y 23 años de la Universidad Politécnica Salesiana, cada uno de los cuales ejecutó tres tipos de agarre: cilíndrico, pinza y pinza planar. Se trabajó con una frecuencia de 10 Hz y se tomaron 5 muestras por tipo de agarre durante 60 segundos. Para el análisis estadístico de los datos se utilizó la herramienta Anova, estableciendo un valor de significancia mayor a 0,65. Resultados: En ciertos voluntarios hay una mayor reacción en el electrodo 1 debido a que su antebrazo es mayor. El tiempo de respuesta para el reconocimiento varía dependiendo del número de variables que se tenga que comparar. Cuando se analiza un solo movimiento es de 2,6 segundos, en cambio, cuando se analizan los 3 movimientos el tiempo de respuesta incrementa a 7,8 segundos por la cantidad de electrodos que se quieran analizar. Conclusiones: la respuesta del sistema propuesto empieza a ser más lenta a medida que se analizan más movimientos a la vez y por tanto, es menos efectiva. El tiempo de ejecución y respuesta de nuestro sistema, en comparación al estado del arte, es más alto, debido a que se utilizan menos métodos de caracterización de la señal. Adicionalemtne, una limitante del proyecto es la frecuencia de muestreo del dispositivo Myo (200Hz)(AU)
Introduction: the paper presents the prediction of three basic hand movement types by means of a smart algorithm to draw characteristics indispensable for identification of movement patterns based on the analysis of surface electromyographic signals obtained with the Myo device. Objective: recognize and predict basic movement patterns of the arm joint using surface electromyography with a view to applying them over a prosthesis prototype. Methods: data were taken from 13 students aged 22 and 23 years from the Salesian Polytechnic University, each of whom performed three types of grasp: cylindrical, pincer and palmar pincer. A 10 Hz frequency was used and 5 samples were taken of each grasp type during 60 seconds. Statistical analysis was performed with the tool ANOVA, establishing a significance value > 0.65. Results: in certain volunteers a greater reaction was observed in electrode 1, due to their larger forearms. Response time for identification varies with the number of variables to be compared. When only one movement is analyzed, response time is 2.6 seconds, but when the three movements are examined it rises to 7.8 seconds by the number of electrodes intended to be studied. Conclusions: the response of the system proposed starts to slow down as more movements are analyzed simultaneously, which makes it less effective. The performance and response time of our system is higher than in state-of-the-art systems, since fewer signal characterization methods are used. On the other hand, a limitation of the project is the sampling frequency of the Myo device (200 Hz)(AU)
