Señales Electromiograficas

Surface Electromyography Feature Extraction Based on

Wavelet Transform

Las señales Electromiografías en la actualidad, tienen muchos usos, como puede ser en prótesis o en investigación acerca de las ciencias de los músculos y su movimiento, en este trabajo, se busca hacer un análisis de estas señales por medio de la transformada de Wavelet, teniendo en cuenta que la señal EMG es una señal no estacionaria, pero sabiendo que nos permite hacer análisis tanto en tiempo como un frecuencia, los autores proponen una nueva estrategia conocida como la relative wavelet packet energy (RWPE), que puede generar una mayor precisión en el análisis, o eso se demostró con las señales de fatiga muscular que tuvieron una similitud muy grande entre varias muestras tomadas. Para la adquisición se tomaron 18 personas, las cuales realizaron 5 diferentes movimientos en el área del brazo y la muñeca, la señal fue muestreada usando Noraxon 2400T, los cuales reconocían la señal de los electrodos. Para el procedimiento de procesamiento se usó un sistema adyacente de ventanas, para que posteriormente con la transformada se logren obtener las características principales de estas señales (Por medio de la descomposición de estas mismas), estas características nos llevan a una gráfica de dispersión en donde analizamos cada uno de los movimientos en cada una de las personas para ver si los resultados son parecidos o no entre sí, resultado que luego de este procedimiento si dio buenos resultados ya que en la primera y segunda dosificación dio valores aproximados en cada grupo de movimientos, lo que nos arroja una características muy película que ayudan mucho en el trabajo de identificación y trabajo de las señales EMG.

Short Time Fourier Analysis of the Electromyogram:

Fast Movements and Constant Contraction

Se busca aplicar una pequeña transformada de Fourier a un grupo de señales de la muñeca, brazo y cabeza, transformadas no solo en un cumulo de datos digitales, sino en impresiones de voz captadas en cuestiones de milisegundos, que nos permiten tener una mayor precisión en el estudio de las señales, incluso más que una serie o una transformada de Fourier corta. Se toman diferentes “explosiones” que hacen referencia a diferentes tipos de movimientos realizados, con la particularidad de que son movimientos muy rápidos, que sirven para que el análisis pueda llegar a tener un buen resultado, se toma en cuenta también, la presencia de señales en la muestra que no vienen al caso eliminarlas mediante filtrado, en donde la señal que se quiere no pierda mucho los valores principales de sus características, se realizó a una frecuencia de muestra de 2000 Hz y mediante energía en el dominio de la frecuencia y su distribución podemos ver los resultados de la identificación de cada uno de estos movimientos; finalmente se vio que las señales mantenían una cierta regularidad en sus líneas verticales alrededor de los 50-100ms de haber empezado la señal, lo cual nos muestra un cambio significativo en el movimiento lo que nos genera la diferenciación de una señal normal, lo que puede llegar a muy usado en casos de neurociencias, ya que se resalta mucho la caracterización de las señales procedentes de la cabeza.

A Supervised Feature-Projection-Based Real-Time

EMG Pattern Recognition for Multifunction

Myoelectric Hand Control

La electromiografía puede llegar a ser muy usada en casos de prótesis, es muy usual el manejo del valor absoluto de dichas señales para su diferenciación, ya que es una característica muy particular, este proyecto busca hacer el control de las funciones y movimientos ejercidos por la mano humana, enfrentado a una supervisión que permite hacer más fácil su caracterización y manejo; se toma; es muy importante saber que la persona es aquel que dispone de los movimientos de su mano para definir qué movimiento realizara, y que de la ciencia esta, poderle dar un análisis para dar respuesta a un problema; la identificación depende de varios factores, se puede mirar Fourier, energía, Wavelet entre otras, cada una tiene su característica que nos permite diferenciar un poco estas señales entre otras; en este los autores proponen la idea de unos vectores que recopilen una o más alternativas de análisis, para ser más concretos, igualmente se cuenta con 4 canales que realizan una adaptación a los análisis; la frecuencia de muestreo se toma máximo de 1000Hz, en donde se pueden captar unas 256 muestras aceptables para el trabajo; para el algoritmo de control se basan principalmente en una variación de la transformada Wavelet con sus métodos de descomposición, lo que lleva a poder reconocer diferentes tipos de movimientos que juntos llegan a formar un sistema de control de mano en donde se pueden diferencia varias señales unas de otras para su aprovechamiento y trabajo continuo (Ya que igualmente se deben configurar muchas cosas aun, ya que así como se planteó aún es muy difícil su aprovechamiento al 100%) en pro de una mejor oportunidad para las personas que tienen algún tipo de discapacidad en esta extremidad.

Comparison of Different Time-domain Feature Extraction Methods

on Facial Gestures' EMGs

Las señales electromiograficas actualmente son muy usadas para diversas aplicaciones, desde el control y manejo de actuadores, hasta el control

...