Redes neuronales y biopotenciales musculares: Hacia un control más natural de prótesis mioeléctricas

Abstract

La innovación tecnológica en el control de prótesis mioeléctricas es esencial para mejorar la funcionalidad de personas con discapacidad motora. Este estudio tuvo como objetivo diseñar e implementar un sistema no invasivo de adquisición de señales electromiográficas (EMG) para clasificar los movimientos básicos de miembros superiores utilizando redes neuronales. La metodología experimental incluyó el diseño de hardware, preparación del sujeto y captura de señales EMG en tres estados de la mano (extendida, relajada, y cerrada). Se utilizaron electrodos desechables con gel conductor en los músculos del antebrazo y una tarjeta SichyRay para amplificar y digitalizar señales a 1 kHz y 10 bits. El procesamiento de las señales incluyó filtros pasa altos (5 Hz) y bajos (450 Hz) y la segmentación en ventanas de 200 ms. Se emplearon Google Colab, TensorFlow y Scikit-learn para análisis y clasificación de datos. Se evaluaron tres modelos de redes neuronales: una red secuencial (FNN), una red recurrente con LSTM (RNN) y una red convolucional (CNN), cada uno entrenado durante 50 épocas.  La CNN demostró ser el modelo más preciso, con una precisión del 92,69 % y la menor tasa de pérdida (7,31 %), superando a la red secuencial (91,86 %) y la RNN (90,95 %). Estos resultados destacan la superioridad de las redes convolucionales en la clasificación de señales EMG.