Examinando por Materia "Machine learning"

Mostrando 1 - 13 de 13
  • Miniatura
    PublicaciónAcceso abierto
    Análisis de Datos de Defectos de Producción en Línea de Ensamble, con el uso de Herramientas de Sistemas Inteligentes
    (Universidad EIA, 2019) José Mejía Uribe, Simón Pedro; Mendivil Sejin, Alejandro
    Resulta provechoso y perentorio para la compañía impulsora de la propuesta implementar tecnologías computacionales que le permitan, ágil y eficientemente, tratar y analizar grandes volúmenes de datos provenientes de diversas etapas y procesos de su línea de producción; con objeto de identificar variables relevantes para la predicción o afectación de la cantidad de defectos a encontrar en los productos finales de un área como la mencionada, o que faciliten el estudio del desempeño y las condiciones operativas de la planta. Considerando lo anterior, este trabajo propone implementar técnicas y métodos enmarcados dentro del Aprendizaje Automático (enfocados al aprendizaje automático supervisado, o a la selección de características y reducción de la dimensionalidad de los espacios de datos que requieren procesar), para atender las necesidades de la ensambladora, siguiendo el esquema clásico de análisis de datos: comprendiendo etapas de procesamiento y limpieza de los datos a estudiar, previa a una etapa de análisis exploratorio y finalmente el desarrollo de modelos, simulaciones y conclusiones; y presenta los resultados del estudio llevado a cabo, a partir de los datos dispuestos por la fábrica consultada.
  • Miniatura
    PublicaciónAcceso abierto
    Detección de ataques epilépticos a partir de señales fisiológicas
    (Universidad EIA, 2019) Carrizosa Botero, Susana; Mejía Mejía, Elisa
    More than 60 million people suffer from epilepsy, a disease due to neuronal hypersynchronous discharges. Refractory epilepsy is defined when patients do not respond to antiepileptic medications. Therefore, it is necessary to find other methods to control and monitor epileptic seizures. Physiological signals are alternatives to do this. Electroencephalography (EEG) is considered the gold standard method for seizure identification. EEG has the disadvantage of time-limited ambulatory recording. On the other hand, the autonomic nervous system (ANS) exercises control over the heart rate evaluable by electrocardiography (ECG). Epileptic seizures exert an autonomous effect on heart rate variability (HRV) that is a measurable, continuous and non-invasive indicator In this project, different systems of recognition of epileptic seizures were evaluated through ECG signals using characteristics of the HRV and morphological, statistical and frequency characteristics of the ECG. This, implemented in a device that records ECG in real time, could help patients keep better control of their lives and provide information to doctors for a proper diagnosis and follow up. For the development of the project, ECG signals were collected from databases available in free repositories and from institutions providing health services. The use of these signals was endorsed by the Institutional Ethics Committee of the EIA University. These signals were processed and filtered according to different signals quality indexes (SQI), and 56 characteristics of the HRV and ECG were extracted of the entire signal. These characteristics were analyzed by means of statistical methods to choose which contributed to the detection of epileptic seizures. Different neural network classifiers, support vector machines (SVN) and nearest neighbor methods (k-NN) that recognize these patterns were designed and, finally, the validity of these systems was evaluated to differentiate seizures. The SVN with polynomial function of third order obtained 82.8% ± 8.9% sensitivity and 80.78% ± 11.75% specificity. The neural network with three hidden layers obtained 79.8% ± 5.1% sensitivity and 74.1% ± 6.8% specificity. Finally, the k-NN method with k = 3 obtained 75.6% ± 12.6% sensitivity and 68.3% ± 6.4% specificity. These systems of identification of epileptic seizures can contribute to the implementation of new non-invasive technologies for diagnosis and monitoring of patients with epilepsy. The best performing system was the support vector machine.
  • Miniatura
    PublicaciónAcceso abierto
    Dispositivo vestible inteligente para la generación de alertas tempranas de eventos cardiovasculares de riesgo
    (Universidad EIA, 2022) Patiño Zambrano, Cristhian Felipe; Torres Villa, Róbinson Alberto
    RESUMEN: Los sistemas basados en sensores corporales de bajo costo y dispositivos vestibles en los últimos años han abierto nuevos campos de investigación en el área de la atención en salud inteligente y portátil, considerándolas tecnologías que pueden solventar la falta de herramientas guiadas a una monitorización, detección temprana y seguimiento remoto de enfermedades cardiovasculares (ECV). Las ECV son la principal causa de muerte en todo el mundo, por esta razón, existe una creciente demanda de sistemas asequibles y confiables para detectar a tiempo estas enfermedades, que pueden implicar complicaciones graves de salud o incluso la muerte. Este trabajo presenta el diseño de un dispositivo portátil eficaz para generar alertas tempranas ante la detección de eventos cardiovasculares de riesgos utilizando un sistema programable de bajo consumo, la medida de variabilidad de la frecuencia cardiaca (HRV) junto con los índices temporales calculados en periodos de ultracorto plazo y modelos de clasificación basados en aprendizaje automático, entrenados en el ordenador a partir de 11 características extraídas de señales disponibles en Physionet. El entrenamiento consta de 80% del total de datos y la prueba del 20% restante. Se implementa un sistema de alertas tempranas para monitorear la señal de electrocardiografía del usuario, por esta razón, la evaluación de precisión del dispositivo final se lleva a cabo por medio de un simulador de pacientes Fluke MPS450 que emula las condiciones normales de la señal a diferentes frecuencias cardiacas y 36 tipos de enfermedades cardiovasculares entre las que se encuentran 9 tipos de arritmias supraventriculares, 9 tipos de arritmias prematuras, 13 tipos de arritmias ventriculares y 5 tipos de trastornos de conducción cardiaca. Cuatro algoritmos de clasificación implementados en el dispositivo discriminan una condición sana de un evento cardiovascular de riesgo con una precisión de 92.5% para el modelo de DecisionTree, 89.5% para el modelo GaussianNB, 98.6% para el SVM y 92.5% para RandomForest. Lo que implica la viabilidad y aplicabilidad de algoritmos inteligentes en dispositivos de baja capacidad para generar alertas tempranas ante una enfermedad cardiovascular.
  • Miniatura
    ÍtemAcceso abierto
    Herramientas para el procesamiento del lenguaje natural dentro de las estrategias de marketing empresarial de cara al consumidor
    (Universidad EIA, 2023) Barrera Ospina, Andrés Felipe; Mejía Beltrán, Carlos Andrés
    RESUMEN: hoy en día, es conocido por el mundo empresarial la importancia, la variedad y el poder que hay alrededor de los datos. Una de las principales amenazas es no tener clara una estrategia para el manejo de estos. La presente investigación tiene un enfoque gerencial y está dirigida a gerentes y directivos que necesitan entender el uso de la inteligencia artificial para la toma de decisiones. No pretende ser un manual técnico para desarrolladores, sino un enfoque de entendimiento donde los negocios requieren de los datos estructurados y no estructurados para la generación de valor. De esta forma, la investigación pretende entender y dar a conocer el estado del arte que tiene la analítica de datos dentro de los tipos de datos no estructurados a través del procesamiento del lenguaje natural. La metodología se basó en presentar los conceptos que están alrededor del procesamiento de lenguaje natural; presentar las herramientas y plataformas que a la fecha de la elaboración de esta investigación permitan realizar el procesamiento de esta información; y, para terminar, identificar aquellos escenarios de uso donde las áreas de mercadeo deban enfocar sus estrategias de marketing para poder impactar de una forma diferente a su consumidor. El resultado es que gerentes tengan un mayor fundamento y puedan interactuar con herramientas de inteligencia artificial y machine learning usando un lenguaje natural. El diseño metodológico usado para la investigación fue no experimental, donde se enfocó en una revisión de fuentes secundarias que permitieron comprender y entender el estado del arte de este tema.
  • Miniatura
    PublicaciónAcceso abierto
    Modelo de detección temprana de riesgo de ventilación mecánica prolongada en pacientes adultos usando técnicas de machine learning
    (2024) Licona Melendez, Jaime José ; Camacho Cogollo, Javier Enrique
    RESUMEN: la ventilación mecánica (VM) es una parte crucial del cuidado de los pacientes en la unidad de cuidados intensivos (UCI). Alrededor del 40% de los pacientes en la UCI necesitan asistencia respiratoria con una máquina, y aproximadamente el 25% de ellos pueden requerirla durante un período prolongado. Es esencial encontrar maneras de prevenir las lesiones causadas por el soporte ventilatorio a largo plazo, y las tecnologías de aprendizaje automático están demostrando un gran potencial para asistir a médicos y enfermeras en los hospitales. El uso prolongado de ventilación mecánica puede tener efectos graves en el cuerpo, como debilidad muscular y un mayor riesgo de problemas respiratorios e infecciones pulmonares. Las complicaciones pueden empeorar el pronóstico del paciente, prolongar la dependencia del ventilador e incluso poner en riesgo su vida. Además, la tasa de mortalidad relacionada con la ventilación mecánica a largo plazo varía significativamente entre países, subrayando la necesidad de métodos para predecir y prevenir estos episodios. En este estudio, se desarrollaron y analizaron tres modelos de aprendizaje automático para identificar el riesgo de ventilación mecánica prolongada utilizando la base de datos MIMIC-IV. El modelo combinado de XGBoost y Gradient Boosting demostró el mejor rendimiento con una precisión del 75% y un AUC de 0.79. Esta combinación de modelos logró equilibrar mejor la precisión y el recall, proporcionando una herramienta más robusta para predecir la necesidad de VMP y ayudando a personalizar la atención y optimizar los recursos en la UCI.
  • Miniatura
    PublicaciónAcceso abierto
    Procesamiento de la señal electroencefalográfica bajo anestesia general
    (Universidad EIA, 2015) Hernandez Solarte, David Antonio; Gómez Suarez, Nicolás Eugenio
    La anestesia general es un procedimiento muy frecuente en el ambiente médico, el cual es un estado en el que el cuerpo del paciente no percibirá ningún estímulo, o por lo menos es lo que busca, por tal motivo existe la necesidad de realizar una monitorización de que tan anestesiado está el paciente, cumpliendo los principios básicos de la anestesia que son la hipnosis, amnesia, analgesia, relajación muscular. Para realizar dicho control del estado anestesico del paciente, se utiliza la concentracion alveolar minima (CAM) para “cuantificar” que tan profundo se encuentra cuando se utiliza una anestesia inducida por farmacos gaseosos, y se utilizan varios dispositivos que hacen estudios electroencefalograficos, como el BIS cuando se realiza una anestesia total intravenosa (TIVA), todo esto debe realizarse para poder aplicar con debida mesura la cantidad de farmaco para que el paciente no reaccione de manera adversa al procedimiento. A nivel de anestesiología, los especialistas tienen mucha confianza en la CAM, pero en un medio más moderno, la tendencia es realizar anestesia mediante TIVA ya que ofrece ciertas ventajas y características con respecto a la anestesia inhalada, pero tiene una desventaja que es la implementación del monitoreo de la anestesia, lo cual resulta sumamente costoso cuando se implementa con el BIS cuyos consumibles, los electrodos, implican alto costo y no son reutilizables, por otro lado, la respuesta de este dispositivo suele tener problemas cuando se utiliza un electrobisturí y hay estudios que indican que no es confiable del todo. El presente trabajo busca desarrollar un estudio de electroencefalografía (EEG) que permita de forma más fiable poder monitorear el estado de profundidad anestésica del paciente implementando herramientas informáticas como el reconocimiento de patrones para eliminar información redundante y reducir la dimensionalidad de los datos y la aplicación de aprendizaje automático para poder extraer características de la señal EEG para determinar estados anestésicos que pueda presentar el paciente. Se realizó un sistema de clasificación de estados anestésicos partiendo de la reducción de la dimensionalidad de los 16 a 14 canales, dando como resultado que cada señal capturada por cada canal es diferente, lo cual realizara un estudio más completo que con menos electrodos. Se creó una matriz de características para ingresarla al algoritmo de K-means para entrenar el sistema. Al validar la información con la base de datos suministrada se obtuvo que el algoritmo funciona aceptablemente para la clasificación de estados anestésicos obteniendo resultados por encima del 83%.
  • Miniatura
    PublicaciónAcceso abierto
    Propuesta de implementación de algoritmos de machine learning para realizar una adecuada gestión del inventario en una pyme colombiana del sector textil y de moda
    (Universidad EIA, 2023) Alvarez Zuluaga, Andrea; Valencia, Juan Sebastian
    RESUMEN: el sector textil y de moda ha adquirido gran relevancia en la economía colombiana debido a su importante contribución al PIB, el empleo y las exportaciones del país. No obstante, enfrenta actualmente dos grandes desafíos: la transformación digital y la competencia extranjera altamente tecnológica y avanzada en la producción y distribución de productos, lo que les permite ser más competitivos. Es importante destacar que en el sector predominan las pequeñas y medianas empresas (PYMES) cuya transformación digital es significativamente inferior a la de las grandes empresas y “startups” del país, así como a la de otras PYMES en países como Perú y Chile. Dado el papel fundamental del sector textil en la economía colombiana, la predominancia de las PYMES en la industria, y su situación preocupante en términos de transformación digital, es crucial explorar diversas opciones de innovación tecnológica que permitan a estas empresas mejorar su eficiencia en los diferentes eslabones de la cadena de suministro para aumentar su competitividad a nivel global. Así pues, la gestión adecuada de los inventarios se ha convertido en una de las principales prioridades de las compañías que buscan aumentar su eficiencia. La gestión de inventarios en la industria textil y de moda se enfrenta a desafíos adicionales debido a la gran cantidad de variables que influyen en la demanda de los productos, lo que la hace altamente volátil y difícil de predecir. Por tanto, es necesario abordar la gestión de inventarios en este sector desde una perspectiva innovadora. En este sentido, el presente estudio investigativo se enfoca en como la implementación de algoritmos de machine learning y el uso de diversas variables de información pueden ayudar significativamente en la gestión de inventarios de una empresa colombiana del sector textil y de moda.
  • Miniatura
    PublicaciónSólo datos
    Propuesta supervisada de aprendizaje de máquina para la estimación de la edad biológica humana basada en odontología forense
    (Fondo Editorial EIA - Universidad EIA, 2020-06-21) Becerra Alvarez, Johana Gabriela; Cortés Osorio, Jimy Alexander
    Código de Procedimiento Penal Colombiano avala el uso apropiado de las piezas dentales para la identificación de individuos, por lo que esta técnica resulta una herramienta de gran importancia en las instituciones que apoyan la administración de justicia. Los métodos clásicos de identificación humana, en especial, los usados para la determinación de la edad biológica de muerte en adultos, han sido desarrollados usando información de poblaciones con características morfológicas, métricas y culturales diferentes a las de Colombia. En consecuencia, se han obtenido tasas de error altas en sus resultados. En esta investigación, se calculó inicialmente la edad biológica usando el método clásico de Lamendin. Posteriormente, con las medidas directas e indirectas, también usadas en el método de Lamendin, se realizó el entrenamiento de las técnicas de aprendizaje de máquina conociendo la edad cronológica de los individuos de la muestra. Se compararon los resultados de las técnicas de regresión de aprendizaje de máquina supervisado: Máquinas de Soporte Vectorial (SVM), Procesos Gaussianos por Regresión (GPR) y Conjuntos de Árboles (Ensembles of Trees), entre otras. Se estudió una muestra de 48 piezas dentales de una sola raíz pertenecientes a 45 individuos de nacionalidad colombiana, con edades cronológicas de fallecimiento conocidas dentro del rango de edades desde los 19 años hasta los 81 años. Por otro lado, se utilizaron el pie de rey digital y el macroscopio de comparación para estimar las alturas de las características morfológicas en las piezas dentales. La mejor exactitud en la estimación de la edad biológica se alcanzó con GPR que presentó una raíz del error medio cuadrático (RMSE) de 3,37 años en la identificación, la cual se contrastó con la exactitud alcanzada por el método de Lamendin con un RMSE de 15,52 años. Esta investigación evidencia que el aprendizaje de máquina con regresión GPR, en especial para el caso colombiano, resulta una herramienta válida para la estimación de la edad biológica de muerte con errores muy inferiores a los entregados por técnicas tradicionales de origen europeo.
  • Miniatura
    PublicaciónAcceso abierto
    Prototipo de sistema para la detección temprana de errores en la medicación en un ambiente hospitalario
    (Universidad EIA, 2024) Hoyos Velásquez, Andrés David; Zapata Ramírez, Sebastián; Camacho Cogollo, Javier Enrique
    RESUMEN: Este trabajo presenta el desarrollo de un prototipo de sistema de soporte para la detección temprana de errores en la medicación en entornos hospitalarios. El sistema utiliza modelos computacionales y datos de los pacientes para identificar potenciales errores en la prescripción y administración de medicamentos. La arquitectura modular del sistema incluye módulos para la gestión de reportes, notificación de errores, y una interfaz web accesible para usuarios autorizados. Mediante herramientas de machine learning y tecnologías modernas como ASP.NET Core, MongoDB y RabbitMQ, se logra una solución escalable que mejora la seguridad del paciente y optimiza el flujo de trabajo hospitalario. Los resultados muestran que el prototipo no solo reduce el tiempo de revisión, sino que también permite el reentrenamiento continue de los modelos, adaptándose a nuevas necesidades clínicas.
  • Miniatura
    PublicaciónAcceso abierto
    Semillero de procesamiento y detección de patrones en señales 2024-1
    (Universidad EIA, 2024) Alzate Márquez, Mateo; Gallón Duque, Santiago; Gutiérrez Noguera, Santiago; Jaramillo Codina, Alejandra Sofía; Zuluaga Gómez, Isabella; Castaño López, Juan Carlos
    RESUMEN: en el semillero de procesamiento de señales se utilizó una base de datos de estímulos emocionales por realidad virtual ya existente en donde se utilizaron señales de electrocardiograma (ECG). La base de datos contenía registros de 34 personas sometidas a 12 diferentes estímulos de realidad virtual (VR), clasificados como "felices" o "tristes", después se procesaron las señales usando Python y diversas librerías, comenzando con la limpieza y normalización de datos, seguida de la eliminación de ruido mediante el método IModPoly y un filtro pasa bajas de Butterworth y junto a esto se calcularon la frecuencia cardíaca y su variabilidad, la coherencia fisiológica y la entropía de Shannon como características de esta señal. Luego, se implementaron modelos de machine learning (KNN, MLP, SVM) para clasificar los estados emocionales, optimizando parámetros mediante GridSearchCV y evaluando los modelos con técnicas estándar de clasificación y gráficos SHAP para interpretar la importancia de las características. El ejercicio arrojó resultados como el análisis comparativo que mostró que el modelo KNN tuvo el mejor rendimiento con un área bajo la curva ROC de 0.71, seguido por MLP y SVM, ambos con un área de 0.61, también un análisis de las características demostró que las más influyentes fueron la coherencia fisiológica y la frecuencia cardíaca. Finalmente se concluyó que el modelo KNN fue el más adecuado para el conjunto de datos, mientras que MLP y SVM mostraron potencial en escenarios específicos con más datos y separación clara entre clases. El semillero estuvo constituido de sesiones explicativas y creativas donde se creó código de programación para resolver el problema planteado en el objetivo general.
  • Miniatura
    PublicaciónAcceso abierto
    Semillero de investigación de procesamiento y deteccion de patrones en señales 2024-2
    (Universidad EIA, 2024) Alzate Márquez, Mateo; Albino Pérez, Mary Leidy; Arcila Trejos, Juan José; Tobón Gallego, Mateo; Jaramillo, Alejandra Sofía
    RESUMEN: En el semillero del semestre 2024_2 se explora la clasificación de estados emocionales de "Felicidad" y "Tristeza" utilizando un modelo Random Forest entrenado con datos de señales de ECG obtenidas mediante estímulos musicales. Siguiendo el protocolo descrito en "Automatic ECG-Based Emotion Recognition in Music Listening" de Hsu et al. y empleando la Geneva Emotional Music Scale (GEMS), se realizó un experimento con participantes saludables de entre 15 y 25 años. Las señales se adquirieron utilizando la plataforma MAXREFDES104 Health Sensor en un entorno controlado, con dos listas de reproducción diseñadas para evocar emociones felices y tristes. El preprocesamiento, la extracción de características y el análisis se llevaron a cabo en Python, logrando una precisión del 75% mediante validación cruzada estratificada. A pesar de las limitaciones del conjunto de datos, los resultados destacan el potencial de las señales de ECG para el reconocimiento emocional en áreas como la psicología, la educación y la robótica asistencial. Los trabajos futuros se enfocarán en ampliar el conjunto de datos y explorar modelos avanzados, como redes neuronales convolucionales, para mejorar la precisión y robustez.
  • Miniatura
    PublicaciónAcceso abierto
    Sistema para la detección de la depresión a partir del procesamiento, análisis y reconocimiento de patrones en señales fisiológicas
    (Universidad EIA, 2023) Alzate Márquez Mateo; Torres Villa, Róbinson
    RESUMEN: se propone la creación de un sistema para la detección de la depresión, basado en la adquisición y procesamiento de señales de ECG y PPG, seguido por el desarrollo de un algoritmo para la clasificación y detección de patrones. El objetivo principal es lograr una clasificación precisa de un individuo en un grupo de depresión o no depresión, logrando en última instancia la detección correcta del problema mencionado. Esto se logró mediante el análisis de un conjunto de variables fisiológicas tomadas de las señales de PPG y ECG, utilizando un protocolo experimental llamado 'script-driven imagery' adaptado al paradigma actual, aplicado a individuos del Centro Médico de Alta Especialidad del Bajío T1 en León, México. Las variables utilizadas incluyen la variabilidad de la frecuencia cardíaca, el tiempo de tránsito del pulso, la frecuencia cardíaca, la señal de respiración, la coherencia fisiológica de cada una y el índice de coherencia global, así como otras variables relacionadas con la frecuencia seleccionadas en función de una revisión bibliográfica. Posteriormente, se desarrolló un programa en Python para el procesamiento y obtención de los valores de las variables mencionadas para su posterior uso en un código de aprendizaje automático. Se realizó una prueba con un modelo de aprendizaje automático múltiple para determinar que el algoritmo de clasificación binaria que mostró el mejor rendimiento fue un Bosque Aleatorio, con una sensibilidad y precisión del 76% para el grupo de validación, aunque se lograron porcentajes más altos con grupos más pequeños de individuos. También se llevó a cabo una revisión del rendimiento de las mejores características en el algoritmo para identificar qué variables pueden tener un mayor impacto al intentar detectar un estado depresivo en un individuo.
  • 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.