Diseño de un sistema de control mioeléctrico con clasificación en tiempo real de movimientos manuales basado en Deep Learning para mejorar la destreza de las prótesis de mano de agarre simple

Abstract

En el Perú, las prótesis de mano con alta destreza son adquiridas casi exclusivamente mediante la importación, lo que conlleva altos costos y tiempos de espera. Asimismo, los desarrollos nacionales en el tema han tenido un enfoque de control de agarre simple, limitando el potencial que puede ofrecer el diseño mecánico. Con el fin de aumentar la destreza de este tipo de prótesis, el trabajo de investigación pretende diseñar un sistema de control mioeléctrico con clasificación en tiempo real de movimientos manuales basado en Deep Learning. El sistema de control propuesto consta de 3 subsistemas: adquisición, para capturar señales electromiografías (EMG) de 5 movimientos manuales relacionadas a las actividades de la vida diaria (AVD); procesamiento, para estandarizar, filtrar y convertir las señales en imágenes (escalogramas) utilizando la Transformada Wavelet Compleja (CWT); y clasificación, para entrenar un modelo CNN MobileNet V2 tomando los escalogramas como entrada. Con el fin de mejorar la interacción con el sistema de control, se programó una GUI que adquiera, procese y clasifique las señales en tiempo real; asimismo, para generar una retroalimentación visual en los usuarios se simuló una prótesis de código abierto. Mediante las pruebas experimentales realizadas con 5 voluntarios se obtuvo una precisión media de clasificación en tiempo real de 87.3% y una latencia de control media de 276.97 ms. Estos resultados respaldan una mejora del 30% en la destreza en comparación con los sistemas convencionales de control de agarre simple.

In Peru, highly dexterous hand prostheses are primarily acquired through imports, incurring significant costs and lengthy waiting times. Additionally, domestic developments in this field have predominantly focused on simple grip control, thereby limiting the potential of mechanical design. To enhance the dexterity of such prostheses, this research endeavors to design a myoelectric control system with real-time classification of manual movements based on Deep Learning. The proposed control system comprises three subsystems: acquisition, to capture electromyographic (EMG) signals related to five manual movements associated with activities of daily living (ADL); processing, for standardizing, filtering, and converting these signals into images (spectrograms) using Complex Wavelet Transform (CWT); and classification, to train a CNN MobileNet V2 model utilizing spectrograms as input. To enhance user interaction, a Graphical User Interface (GUI) was programmed to acquire, process, and classify signals in real-time. Furthermore, an open-source prosthesis was simulated to provide visual feedback to users. Experimental tests conducted with five volunteers yielded an average real-time classification accuracy of 87.3% and an average control latency of 276.97 ms. These results substantiate a 30% enhancement in dexterity compared to conventional simple grip control systems.