Publicación: Modelo de aprendizaje automático para la detección de gestos de la mano a partir de señales de electromiografía de superficie
Portada
PDF 
FLIP Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Autores
Director
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: 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 %.
Resumen en inglés
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.