Publicación: Sistema para procesamiento de señales de electromiografía de superficie con posible aplicación en el control de órtesis para rehabilitación de codo
Portada
PDF 
FLIP Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor/Compilador
Editores
Tipo de Material
Fecha
Cita bibliográfica
Título de serie/ reporte/ volumen/ colección
Es Parte de
Resumen en español
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.
Resumen en inglés
ABSTRACT: the elbow joint is essential for the functionality of the upper extremities. After an injury in this area, it is common for adhesions to form that limit the range of motion and can affect the patient's recovery. From this problem, the development of orthopedic devices has been derived, which play an essential role in rehabilitating disorders of the elbow joint. However, these mobilization devices have limitations, such as high costs, lack of adaptation to the patient's body, and being uncomfortable and heavy. In Colombia, these devices do not allow continuous active and active assisted exercises to be carried out continuously. They must be performed manually, which may risk the patient's recovery. Of the above, the need has arisen to quantify the resistance required to oppose movement in active exercises and to recognize the patient's movement patterns for assistance in assisted functional activities. This has been achieved with surface electromyography (sEMG), a signal widely used in rehabilitation. In this work, a wearable and flexible system was developed to acquire and characterize sEMG signals, which can be used in the future for the control and feedback of an orthosis for elbow rehabilitation through the combination of hardware and firmware elements in an embedded system. Ogrodnik's divergent-convergent design methodology was adapted for the system design to achieve the above. Subsequently, the acquisition and characterization were performed, taking into account analysis in the time and frequency domain and classification of the sEMG signals according to the type of movement (flexion-extension, prone supination, and basal) and the load lifted (0 kg, 1 kg, 2 kg) taking data from 37 people to train the model through a flexible, designed acquisition system. The machine learning model (decision tree) was implemented in an embedded system (Teensy 4.0), and the system's performance in terms of cargo classification and type of movement was evaluated. It is determined that the system for the acquisition and characterization of sEMG signals can be adapted to the anatomy of any patient and has an accuracy of 97% for the classification of the type of movement and 63.17% for load.