Estimación en la Intención de Agarres: Cilíndrico, Esférico y Gancho Utilizando Redes Neuronales Profundas / Estimation of Hand-Grip Intention: Cylindrical, Spherical and Hook Using Deep Neural Networks

Resumen Las amputaciones de extremidades superiores pueden producir diversos grados de incapacidad en la persona afectada, esto es exacerbado aún más, si se presenta durante un periodo de su vida laboral activa, por esta razón es de importancia social el estudio de las prótesis y algoritmos que ayuden a un mejor control de estas por parte del usuario. En esta investigación, se propone una arquitectura basada en redes neuronales recurrentes del tipo Long Short-Term Memory y redes convolucionales para la clasificación de señales electromiográficas, con aplicaciones para control de prótesis de mano. La red propuesta clasifica tres tipos de agarres realizados con la mano: cilíndrico, esférico y de gancho. El modelo propuesto al ser evaluado mostró una eficiencia (accuracy) del 89 %, en contraste con una red neuronal artificial basada en capas completamente conectadas que solo obtuvo una eficiencia del 80% en la predicción de los agarres. El presente trabajo se limita solamente a evaluar la red ante una entrada de electromiograma y no se implementó un sistema de control para la prótesis de la mano. Así, una arquitectura de redes convolucionales para el control de prótesis de mano que pueden ser entrenadas con las señales del sujeto.

Abstract Upper extremities amputations can produce different disability degrees in the amputated person, this is acerbated even more, when it happens during active working life. So, for this reason, it is of social importance the study of prostheses and algorithms that help a better control of these by the user. In this research, we propose an architecture based on recurrent neural networks, called Long Short-Term Memory, and convolutional neural networks for classification of electromyographic signals, with applications for hand prosthesis control. The proposed network classifies three types of movements made by the hand: cylindrical, spherical and hook grips. The proposed model showed an efficiency (accuracy) of 89%, in contrast to an artificial neural network based on completely connected layers that only obtained an efficiency of 80% in the prediction of the hand movements. The present work is limited to evaluate the network with an electromyogram input, the control system for hand prosthesis was not implemented. Thus, an architecture of convolutional networks for the control of hand prostheses that can be trained with the signals of the subject.

Sistema Vestible para la Detección Simultánea y No Invasiva del ECG y el Flujo Sanguíneo / Wearable System for Simultaneous and Noninvasive Detection of ECG and Blood Flow

Resumen Se desarrolló un sistema vestible para la detección simultánea y no invasiva de dos señales provenientes de la actividad cardiaca: el ECG y el flujo sanguíneo. Se utilizaron dos electrodos secos para detectar la derivación I del ECG. La detección del flujo sanguíneo se realizó de forma no invasiva mediante un sensor magnetorresistivo tipo Túnel (TMR) basándose en la firma magnética de la sangre sobre un campo magnético constante proveniente de un imán permanente. Los electrodos, el sensor TMR y el imán se montaron en un brazalete tipo pulsera para la comodidad del usuario. La instrumentación desarrollada para detectar el ECG y el flujo sanguíneo se diseñó en base a una configuración diferencial con una relación de rechazo en modo común superior a 87 dB a 60 Hz y con una tensión de ruido de tal forma que las señales cardiacas presentaron una relación señal a ruido superior a 41 dB, siempre y cuando el sujeto no se mueva durante la medida. La calidad de las señales fue suficiente como para extraer información de dichas señales mediante algoritmos sencillos de implementar. El sistema propuesto es una alternativa a los sistemas vestibles presentados hasta ahora, del cual es posible valorar la salud cardiovascular del sujeto en ambientes no hospitalarios.

Abstract A wearable system was developed for the simultaneous and non-invasive detection of two signals from cardiac activity: the ECG and blood flow. Two dry electrodes were used to detect the lead I of the ECG. The detection of blood flow was performed non-invasively using a tunnel-magnetoresistance (TMR) sensor based on the magnetic signature of the blood over a constant magnetic field from a permanent magnet. The electrodes, the TMR sensor and the magnet were mounted on a wristband-type bracelet for the user comfort. The instrumentation developed to detect the ECG and blood flow was designed based on a differential configuration with a common-mode rejection ratio higher than 87 dB at 60 Hz and with a noise voltage in such a way that the cardiac signals presented a signal-to-noise ratio greater than 41 dB, as long as the subject stays still during the measurement. The quality of the signals was enough to extract information from these signals by means of simple to implement algorithms. The proposed system is an alternative to the wearable systems presented so far, from which it is possible to assess the cardiovascular health of the subject in non-hospital environments.