Novel Fuzzy Logic Controller based on Time Delay Inputs for a Conventional Electric Wheelchair / Controlador Difuso basado en Entradas Obtenidas por Retardos en el Tiempo para una Silla de Ruedas Eléctrica

This work proposes a Dynamic fuzzy logic Controller for the navigation problem of an electric wheelchair. The controller uses present data from three ultrasonic sensors as the main source of information from the environment. However other inputs, named as "dynamic time delay", are obtained from past samples of those static data and are used to design the rule base. Although fuzzy logic controllers with static inputs could solve basic navigation problems, the proposed structure with dynamic inputs gets an excellent performance for more complex navigation problems. There were designed static and dynamic navigation strategies, which were first deployed in software just to evaluate their behavior. They were tested in a maze and their trajectories were compared to select the best. For improving its response, the dynamic fuzzy logic strategy was deployed in hardware. The paper presents a comparison between the software and hardware applications to illustrate the possibility of implementing the proposed methodology in different platforms. The dynamic fuzzy logic controller led the electric wheelchair without colliding against walls, and is a high performance navigation system. Moreover, this controller could solve the sensor limitations.

En este trabajo se presenta un controlador dinámico con lógica difusa para el problema de navegación de una silla de ruedas. El controlador usa datos presentes de tres sensores ultrasónicos como la principal fuente de información del entorno. Sin embargo, a partir de valores pasados se obtienen otras entradas designadas como "retrasos dinámicos'' para la base de reglas. A pesar de que los controladores de lógica difusa con entradas estáticas pueden resolver problemas básicos de navegación, la estructura propuesta con entradas dinámicas tiene un excelente desempeño para problemas de navegación más complejos. Se diseñaron estrategias de navegación estáticas y dinámicas, las cuales fueron implementadas primero en software para evaluar su desempeño. Se usó un laberinto y sus trayectorias fueron comparadas para seleccionar el mejor. Para mejorar su respuesta, la estrategia dinámica fue implementada en hardware. Este artículo presenta una comparación entre las aplicaciones de hardware y software para ilustrar la posibilidad de implementar la metodología en diferentes plataformas. El controlador dinámico de lógica difusa dirigió la silla eléctrica sin colisionar contra los muros, y es un sistema de navegación de alto desempeño. Así mismo, este controlador podría resolver las limitaciones del sensor.

Co-simulación del Diseño Biomecánico para un Exoesqueleto Robótico del Miembro Inferior / Co-simulation of Biomechanical Design for a Robotic Exoskeleton for the Lower Limb

Este trabajo muestra como la co-simulación incrementa las ventajas y decrementa las desventajas para el diseño del exoesqueleto. La metodología propuesta tiene tres estados: el diseño de la parte biomecánica, el diseño mecánico y el sistema de control Para el análisis biomecánico, OpenSim® resuelve el sistema musculo-esquelético e incluye modelos para diferentes condiciones que pueden ser usados en el diseño de procesos. SolidWorks® que es aplicado en diseños asistidos por computadora evalúa la parte mecánica y Matlab® resuelve el sistema de control del exoesqueleto. Esto permite conseguir un diseño personalizado, que simula los movimientos de una marcha completa cubriendo las restricciones cinemáticas para lograr un movimiento natural y las limitaciones del usuario cuando tienen algún problema para caminar. El resultado muestra como es aplicada la co-simulación para hacer un prototipo virtual, como se unen y dependen los programas uno del otro. Aunque la simulación convencional de cada programa puede ahorrar dinero y tiempo, estos no resuelven completamente los problemas de diseño del exoesqueleto; por lo tanto la co-simulación es una excelente opción para la biomecánica, la mecánica y los sistemas de control que necesitan exactitud y rapidez en cada parte del proceso de diseño.

This work shows how the co-simulation increases the advantages and decreases the drawbacks for exoskeleton design. The proposed methodology has three stages: the design of a biomechanical part, the mechanical design and the control system. For the biomechanical analysis, OpenSim ® solves the muscle-skeleton system and includes models for different conditions that can be used in the design process. SolidWorks® that is applied in assistive computer design evaluates the mechanical part of the exoskeleton and Matlab® solves the control system that takes over the exoskeleton. It allows getting a personalized design which simulates the complete walking movements, covering the kinematic restrictions to achieve a natural human movement and the user limitations when they have any problem for to walk. The results show how the co-simulation is applied to complete a virtual prototype and the programs are linked hand in hand. Although conventional simulation by one program can save money and time, it cannot solve the entire exoskeleton design problem; as a result the co-simulation is an excellent option in biomechanical, mechanical and control systems that need accurate and swift results in each part of the design process.

Methodology to Weight Evaluation Areas from Autism Spectrum Disorder ADOS-G Test with Artificial Neural Networks and Taguchi Method / Metodología para ponderar áreas de evaluación de la herramienta ADOS-G en trastorno del espectro autista con redes neuronales artificiales y método de Taguchi

Autism diagnosis requires validated diagnostic tools employed by mental health professionals with expertise in autism spectrum disorders. This conventionally requires lengthy information processing and technical understanding of each of the areas evaluated in the tools. Classifying the impact of these areas and proposing a system that can aid experts in the diagnosis is a complex task. This paper presents the methodology used to find the most significant items from the ADOS-G tool to detect Autism Spectrum Disorders through Feed-forward Artificial Neural Networks with back-propagation training. The number of cases for the network training data was determined by using the Taguchi method with Orthogonal Arrays reducing the sample size from 531,441 to only 27. The trained network provides an accuracy of 100% with 11 different cases used only for validation, which provides a specificity and sensitivity of 1. The network was used to classify the 12 items from the ADOS-G tool algorithm into three levels of impact for Autism diagnosis: High, Medium and Low. It was found that the items "Showing", "Shared enjoyment in Interaction" and "Frequency of vocalization directed to others", are the areas of highest impact for Autism diagnosis. The methodology here presented can be replicated to different Autism diagnosis tests to classify their impact areas as well.

El diagnóstico del autismo requiere del uso de herramientas de diagnóstico validadas internacionalmente que son utilizadas por los profesionales de la salud expertos en trastornos del espectro autista, lo cual requiere de procesamiento de mucha información y un entendimiento técnico de cada una de las áreas evaluadas en ellas. La clasificación del impacto que tienen cada una de estas áreas, así como la propuesta de un sistema que pueda ayudar a los expertos en el diagnóstico, es una tarea compleja, por lo que en este artículo se presenta una metodología utilizada para encontrar los elementos más significativos de la herramienta de diagnóstico de autismo ADOS-G a través de redes neuronales artificiales entrenadas con retropropagación del error. El número de casos para entrenamiento de la red se seleccionó utilizando el método de Taguchi con arreglos ortogonales, reduciendo el tamaño de la muestra de 531,441 a solo 27 casos. La red entrenada tiene una exactitud del 100% validada con 11 casos diferentes de niños evaluados para diagnóstico de trastorno del espectro autista con lo que se obtuvo una especificidad y sensibilidad de 1. La red neuronal artificial se utilizó para clasificar los 12 elementos del algoritmo de la herramienta ADOS-G en tres niveles de impacto: Alto, Medio y Bajo. Se encontró que los elementos "Mostrar", "Placer compartido durante la interacción" y "Frecuencia de vocalizaciones dirigidas a otros" son las áreas de mayor impacto para el diagnóstico de autismo. La metodología presentada puede ser replicada para diferentes herramientas de diagnóstico de autismo para clasificar sus áreas de mayor impacto también.