Identificación de 7 Movimientos de la Mano Humana Utilizando sEMG – 360° en el Antebrazo
DOI:
https://doi.org/10.17488/RMIB.42.3.3Palabras clave:
Electromyography, gestures, classifierResumen
Este documento muestra la identificación de 7 gestos (movimientos) de la mano humana a partir de sEMG – 360° en el antebrazo. sEMG-360 es la medición de sEMG por medio de 8 canales cada 45° haciendo un total de 360°. Al realizar un gesto de la mano se tendrán 8 señales sEMG independientes que se utilizarán para hacer la identificación del movimiento. Los 7 gestos a identificar fueron: mano relajada (cerrada), mano abierta (dedos extendidos), flexión y extensión del dedo meñique, del dedo anular, del dedo medio, del dedo índice y del dedo pulgar por separado. Se capturaron 100 muestras de cada gesto y se aplicaron 3 métodos de extracción de características en el dominio del tiempo: el valor medio absoluto (MAV), valor de la raíz cuadrática media (RMS) y el valor del área bajo la curva (AUC), después se aplicó un clasificador de máquina de soporte vectorial (SVM) a cada método de extracción. Se identificaron los movimientos y se calculó el porcentaje de exactitud en la identificación para cada extractor + clasi-ficador SVM utilizando el método de la matriz de confusión e incluyendo los 8 canales para cada gesto. Se logró un 99.52% de exactitud en la identificación de los gestos de la mano humana aplicando sEMG – 360°.
Descargas
Citas
Visconti P, Gaetani F, Zappatore GA, Primiceri P. Technical Features and Functionalities of Myo Armband: An Overview on Related Literature and Advanced Applications of Myoelectric Armbands Mainly Focused on Arm Prostheses. Int J Smart Sens Intell Syst [Internet]. 2018;11(1):1–25. Available from: https://doi.org/10.21307/ijssis-2018-005
Tavakoli M, Benussi C, Lourenco JL. Single channel surface EMG control of advanced prosthetic hands: A simple, low cost and efficient approach. Expert Syst Appl [Internet]. 2017;79:322–322. Available from: http://dx.doi.org/10.1016/j.eswa.2017.03.012
Shi W-T, Lyu Z-J, Tang S-T, Chia T-L, et al. A bionic hand controlled by hand gesture recognition based on surface EMG signals: A preliminary study. Biocybern Biomed Eng [Internet]. 2018;38(1):126–135. Available from: http://dx.doi.org/10.1016/j.bbe.2017.11.001
Krishnan KS, Saha A, Ramachandran S, Kumar S. Recognition of human arm gestures using Myo armband for the game of hand cricket. 2017 IEEE 5th Int Symp Robot Intell Sensors (IRIS) [Internet]. Ottawa: IEEE; 2017:389–394. Available from: https://doi.org/10.1109/IRIS.2017.8250154
Mukhopadhyay AK, Samui S. An experimental study on upper limb position invariant EMG signal classification based on deep neural network. Biomed Signal Process Control [Internet]. 2020;55:101669. Available from: https://doi.org/10.1016/j.bspc.2019.101669
Sánchez Velasco LE, Arias Montiel M, Guzmán Ramírez E, Lugo González E. A low-cost EMG-controlled anthropomorphic robotic hand for power and precision grasp. Biocybern Biomed Eng [Internet]. 2020;40(1):221–237. Available from: https://doi.org/10.1016/j.bbe.2019.10.002
Rascón-Madrigal LH, Sinecio-Sidrian MA, Mejía-Muñoz JM, Díaz-Román JD, Canales-Valdiviezo I, Botello-Arredondo AI. Estimación en la Intención de Agarres: Cilíndrico, Esférico y Gancho Utilizando Redes Neuronales Profundas. Rev Mex Ing Biomed [Internet] 2020;41(1):117–127. Available from: https://dx.doi.org/10.17488/RMIB.41.1.9
Veer K, Sharma T. Extraction and Analysis of above elbow SEMG for Pattern classification. J Med Eng Technol [Internet]. 2016;40(4):149–154. Available from: https://doi.org/10.3109/03091902.2016.1153739
Phinyomark A, Phukpattaranont P, Limsakul C. Feature reduction and selection for EMG signal classification. Expert Syst Appl [Internet]. 2012;39(8):7420–7431. Available from: http://dx.doi.org/10.1016/j.eswa.2012.01.102
Resendiz Trejo J. Las máquinas de vectores de soporte para identificación en línea. México [Master's thesis]. [Honolulu]: Centro de Investigaciòn y de Estudios Avanzados del Instituto Politécnico Nacional, 2006. 84p
Alkan A, Günay M. Identification of EMG signals using discriminant analysis and SVM classifier. Expert Syst Appl [Internet]. 2012;39(1):44–47. Available from: http://dx.doi.org/10.1016/j.eswa.2011.06.043
Hassan HF, Abou-Loukh SJ, Ibraheem IK. Teleoperated robotic arm movement using electromyography signal with wearable Myo armband. J King Saud Univ Eng Sci [Internet]. 2020;32(6):378–387. Available from: https://doi.org/10.1016/j.jksues.2019.05.001
Ting KM. Confusion Matrix. In: Sammut C, Webb GI, editors. Ency Mach Learn [Internet]. Boston, MA: Springer US; 2010. 209p. Available from: https://doi.org/10.1007/978-0-387-30164-8_157
Shamsudin NF, Basiron H, Saaya Z, Rahman AFNA, et al. Sentiment classification of unstructured data using lexical based techniques. J Teknol [Internet]. 2015;77(18):113–120. Available from: https://doi.org/10.11113/jt.v77.6497
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2021 Revista mexicana de ingeniería biomédica.
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Una vez que el artículo es aceptado para su publicación en la RMIB, se les solicitará al autor principal o de correspondencia que revisen y firman las cartas de cesión de derechos correspondientes para llevar a cabo la autorización para la publicación del artículo. En dicho documento se autoriza a la RMIB a publicar, en cualquier medio sin limitaciones y sin ningún costo. Los autores pueden reutilizar partes del artículo en otros documentos y reproducir parte o la totalidad para su uso personal siempre que se haga referencia bibliográfica al RMIB. No obstante, todo tipo de publicación fuera de las publicaciones académicas del autor correspondiente o para otro tipo de trabajos derivados y publicados necesitaran de un permiso escrito de la RMIB.
