Examinando por Materia "Electromiografía de superficie"

Mostrando 1 - 1 de 1
  • Miniatura
    PublicaciónAcceso abierto
    Sistema para procesamiento de señales de electromiografía de superficie con posible aplicación en el control de órtesis para rehabilitación de codo
    (Universidad EIA, 2023) García Arrunátegui, María Fernanda; Torres Villa, Róbinson; Montoya Góez, Yesid
    RESUMEN: la articulación del codo es fundamental para la funcionalidad de las extremidades superiores. Después de una lesión en esta área, es común que se formen adherencias que limitan la amplitud de los movimientos y pueden afectar la recuperación del paciente. De esta problemática se ha derivado el desarrollo de dispositivos ortopédicos, los cuales desempeñan un papel importante en la rehabilitación de trastornos de la articulación del codo; sin embargo, estos dispositivos de movilización tienen limitaciones, como costos altos, falta de adaptación al cuerpo del paciente, además de ser incómodos y pesados. En Colombia, estos dispositivos no permiten la realización continua de ejercicios activos y activo asistidos de manera continua y debe ejecutarse manualmente, por lo cual se puede poner en riesgo la recuperación del paciente. De acuerdo con lo anterior, ha surgido la necesidad de cuantificar la resistencia requerida para oponerse al movimiento en los ejercicios activos y reconocer los patrones de movimiento del paciente para su asistencia en los activos asistidos, lo cual se ha logrado con la electromiografía de superficie (sEMG), una señal muy utilizada en el campo de la rehabilitación. En este trabajo, se desarrolló un sistema vestible y flexible para la adquisición y caracterización de las señales de sEMG, que puede ser usado en el futuro, para el control y la realimentación de una órtesis para rehabilitación de codo, mediante la combinación de elementos de hardware y firmware en un sistema embebido. Para lograr lo anterior, se adaptó la metodología de diseño divergente - convergente de Ogrodnik para el diseño del sistema. Posteriormente, se realizó la adquisición, caracterización, teniendo en cuenta análisis en el dominio del tiempo y frecuencia, y clasificación de las señales de sEMG según el tipo de movimiento (flexo extensión, prono supinación y basal) y la carga levantada (0 kg, 1 kg, 2 kg) tomando datos de 37 personas para entrenar el modelo a través de un sistema de adquisición flexible diseñado. Se implementó el modelo de machine learning (árbol de decisión) en un sistema embebido (Teensy 4.0) y se evaluó el desempeño del sistema en cuanto a la clasificación de carga y tipo de movimiento. Se determinó que el sistema para la adquisición y caracterización de las señales de sEMG puede adaptarse a la anatomía de cualquier paciente, tiene un accuracy del 97 % para clasificación de tipo de movimiento y del 63.17 % para la carga.