Modelo de aprendizaje automático para la detección de gestos de la mano a partir de señales de electromiografía de superficie

Montoya Ortega, Santiago

Publicación:
Modelo de aprendizaje automático para la detección de gestos de la mano a partir de señales de electromiografía de superficie

dc.contributor.advisor	Quintero Zea, Andrés
dc.contributor.author	Montoya Ortega, Santiago
dc.date.accessioned	2025-07-28T19:00:28Z
dc.date.available	2025-07-28T19:00:28Z
dc.date.issued	2025
dc.description	82 páginas
dc.description.abstract	RESUMEN: En este proyecto de grado se desarrolló un modelo de aprendizaje automático (ML) para la detección de gestos de la mano a partir de señales de electromiografía de superficie (sEMG) con potencial uso en tecnologías de apoyo. Las ayudas asistenciales disponibles para personas con amputaciones o traumas en miembros superiores suelen ser poco efectivas debido a la falta de estrategias de control avanzadas. Con el objetivo de aportar una solución a este problema, se utilizó una base de datos de sEMG de acceso abierto como fuente secundaria de información. El proyecto incluyó la extracción de características relevantes para la identificación de gestos manuales, utilizando herramientas y bibliotecas en Python. Posteriormente, se seleccionaron cinco modelos distintos de aprendizaje automático, para los cuales se diseñó y aplicó un protocolo de entrenamiento individual. El modelo con mejor desempeño fue optimizado mediante ajuste de hiperparámetros. Finalmente, se realizó una comparación de los resultados obtenidos con otros modelos reportados en la literatura científica. Como resultado, el modelo con mejor desempeño exhibió una exactitud superior al 98 % y precisión superior al 98 %.	spa
dc.description.abstract	ABSTRACT: This academic project developed a machine learning (ML) model for hand gesture recognition using surface electromyography (sEMG) signals, with potential applications in assistive technologies. Existing assistive devices for individuals with upper-limb amputations or trauma often lack advanced control strategies, limiting their effectiveness. To address this challenge, an open access sEMG database was employed as a secondary data source. The study involved the extraction of relevant features for gesture identification using Python-based tools and libraries. Five distinct ML models were evaluated, each trained under a customized protocol, with the best-performing model further optimized through hyperparameter tuning. Comparative analysis against existing literature demonstrated that the proposed model achieved high performance, with an accuracy of ≥95% and precision of ≥95%. These results suggest that the developed approach can enhance the control of prosthetic and assistive devices, offering a more effective solution for individuals with motor impairments.	eng
dc.description.degreelevel	Pregrado
dc.description.degreename	Ingeniero(a) Biomédico(a)
dc.format.mimetype	application/pdf
dc.identifier.uri	https://repository.eia.edu.co/handle/11190/7149
dc.language.iso	spa
dc.publisher	Universidad EIA
dc.publisher.faculty	Escuela de Ciencias de la Vida
dc.publisher.place	Envigado (Antioquia, Colombia)
dc.publisher.program	Ingeniería Biomédica
dc.rights	Derechos Reservados - Universidad EIA, 2025
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2
dc.rights.license	Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)
dc.subject.proposal	Electromiografía de superficie	spa
dc.subject.proposal	Machine Learning	spa
dc.subject.proposal	Procesamiento de señales	spa
dc.subject.proposal	Deep Learning	eng
dc.subject.proposal	Surface electromyography (sEMG)	eng
dc.subject.proposal	Gesture recognition	eng
dc.subject.proposal	Assistive technology	eng
dc.subject.proposal	Prosthetics	eng
dc.title	Modelo de aprendizaje automático para la detección de gestos de la mano a partir de señales de electromiografía de superficie	spa
dc.type	Trabajo de grado - Pregrado
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.coarversion	http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.content	Text
dc.type.driver	info:eu-repo/semantics/bachelorThesis
dc.type.redcol	http://purl.org/redcol/resource_type/TP
dc.type.version	info:eu-repo/semantics/publishedVersion
dspace.entity.type	Publication
person.identifier.cvlac	https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001196901
person.identifier.gsid	https://scholar.google.com.co/citations?user=85TEV2YAAAAJ&hl=es
person.identifier.orcid	0000-0002-3621-2983
relation.isDirectorOfPublication	24425f08-7bd9-4fb5-87f8-9389e3b44d16
relation.isDirectorOfPublication.latestForDiscovery	24425f08-7bd9-4fb5-87f8-9389e3b44d16