nova página do texto(beta)
Espanhol (pdf)
Artigo em XML
Referências do artigo
Tradução automática
Enviar este artigo por email
Citado por SciELO 
Similares em
SciELO 
Permalink
1. Introducción
Las señales electromiográficas (EMG) proporcionan información acerca del funcionamiento de los músculos y nervios midiendo señales eléctricas generadas por los músculos durante su movimiento. Las señales EMG representan una medida de la actividad muscular y pueden ser detectadas en la superficie de la piel usando electrodos Ag/AgCl [7]. En los últimos anos, las señales EMG han encontrado diversas aplicaciones en el campo de la ingeniería biomédica exoesqueletos y dispositivos robóticos para rehabilitación física [6,9,10]; electroestimulación funcional [5,8]; teleoperación de dispositivos [15] y prótesis [1,2,4,12,13,14].
Debido a que las señales EMG son el resultado de muchos factores fisiológicos, anatómicos y técnicos, es necesario su adecuado procesamiento. En particular, en las prótesis controladas mediante señales EMG, su éxito es medido por el desempeño en la ejecución de movimientos prácticos con la naturalidad de los ejecutados por la mano humana, para esto es esencial un proceso de análisis de las señales motoras EMG.
Las señales EMG superficiales (EMGS), son esencialmente un patrón unidimensional, por lo que cualquier técnica de procesamiento de señales para extracción de características y reconocimiento de patrones se puede aplicar a este tipo de señales. La tendencia en el control de prótesis a partir de señales EMGS obedece a que se constituye en la técnica más sencilla de implementar por su facilidad en la recolección sin intromisión directa sobre el organismo del usuario, remoción de electrodos y equipo para efectos de mantenimiento y/o calibración y su reutilización de una persona a otra [3].
Con respecto a las técnicas implementadas para la caracterización de las señales EMG y el reconocimiento de patrones, se ha reportado el uso de redes neuronales [2], transformada de Fourier y wavelets [4], algoritmos de machine learning [7], memorias asociativas extendidas [13], algoritmos de optimización paramétrica [14], métodos estadísticos para el reconocimiento de patrones [15], entre otros métodos tanto en el dominio del tiempo como de la frecuencia.
El objetivo de este trabajo es usar herramientas de software y hardware comerciales para adquirir señales EMG, realizar su procesamiento y clasificación, y usar dicha información para realizar el control de movimiento de una mano robótica con potenciales aplicaciones en prótesis activas de mano sin requerir demasiado desarrollo matemático o analítico, ofreciendo la posibilidad de que cualquier persona pueda reproducir este tipo de proyectos. En particular, se usara el brazalete MYO®, para la adquisición de las señales EMG, MATLAB® para el procesamiento de los datos, una tarjeta Arduino® para el control de los servomotores y código libre para la manufactura en impresión 3D de la mano robótica.
2. Metodología
La metodología usada para el desarrollo de este trabajo es la propuesta para el diseño universal (Fig. 1) [11].
Con base en esta metodología, la secuencia de actividades es la siguiente:
— Definición del problema: Se tiene una mano robótica impresa en 3D totalmente mecánica y se requiere que realice los movimientos de flexión-extensión de los dedos y agarre grueso, similares a los de una mano humana utilizando señales mioeléctricas para generar los movimientos.
— Identificar los usuarios y las necesidades: Se requiere generar movimientos de flexión-extensión de los dedos de una mano robótica a partir de señales EMG adquiridas con el brazalete MYO®.
— Describir los requerimientos del producto y las especificaciones técnicas: Implementar movimientos básicos en una mano robótica mediante software y hardware comerciales.
— Generación y selección de concepto: Considerar diferentes algoritmos para el reconocimiento de patrones en las señales EMG y distintas configuraciones y modos de actuación para la mano robótica.
— Desarrollo del concepto: Realizar adquisición en tiempo real de las señales EMG para el control de movimiento de la mano robótica. Clasificación de las características de las señales EMG para el entrenamiento del algoritmo de reconocimiento de patrones que permita la identificación de movimientos de la mano, interpretación y uso de señales para control.
— Diseño final: Integrar mano robótica impresa, tarjeta Arduino® y brazalete MYO®.
— Evaluación del producto: La mano robótica y el brazo generan los movimientos seleccionados.
Para realizar la actividad de desarrollo de concepto que corresponde a la primera fase del diseño, se inicia por la adquisición y tratamiento de señales utilizando el brazalete MYO® y MATLAB®.
2.1. Adquisición, clasificación y reconocimiento de patrones
Como se menciona en las hojas de especificaciones del brazalete MYO®, este contiene 3 acelerómetros y 3 giroscopios para la captura de los datos de espaciales de orientación y posición, además de 8 sensores para adquirir las señales EMG.
El sistema funciona leyendo las señales electromiográficas tomadas del antebrazo mientras se realiza cada uno de los gestos que se desee detectar. En este caso se reconocerán 6: movimiento de palma izquierda y derecha, puno, mano abierta, descanso y un gesto propuesto.
Como condiciones iniciales la duración del muestreo es de 20 segundos para cada gesto y se adquieren en total 4000 muestras para cada posición realizada. En la Fig. 2 se presentan las acciones realizadas para la identificación de movimiento de la mano a partir de las señales EMG del brazalete MYO®.
Para la primera acción de la Fig.2, se usa el SDK de ThalmicLabsTM, que permite obtener datos del gesto para una o varias poses.
La adquisición de los datos de cada uno de los sensores de EMG del brazalete se realiza a una frecuencia de 200 Hz durante el periodo que dure la prueba. Debido a que no se pueden enviar suficientes datos sobre una única característica, se separó en cuatro segmentos y se envían dos lecturas secuenciales en cada actualización. Eso significa que la forma de interpretar los datos es la siguiente:
En la Fig. 3 se muestra un ejemplo de datos adquiridos para un gesto de cerrar el puno. Para el movimiento que se desea reconocer se almacenan las señales de cada uno de los sensores EMG del brazalete durante un tiempo de 20 segundos (para evitar sobre ajustes). Si existen perdidas de datos en la transmisión, solamente existirán huecos en las matrices y se tendrán que adquirir nuevos datos. Posteriormente se reordena la información almacenada de tal forma que se tengan 333 muestras de 12 elementos (60 ms) para cada sensor.
Del vector que almacena la información ordenada se extraen las características que permiten diferenciar entre los datos obtenidos cada gesto realizado, utilizando el valor medio, la desviación estándar y un análisis de componentes principales, aunque para mayor precisión también puede usarse un análisis frecuencial de las señales o mediciones en su amplitud. Estos cálculos son realizados con código propio y la aplicación Classification Learner de MATLAB®.
Una vez establecido el vector de características, se construye el clasificador que involucra etapas como: la elección del modelo, el entrenamiento y verificación de los resultados.
Para tener la validación del sistema de reconocimiento de patrones se utiliza el método de Holdout Validation, el cual consiste en designar un porcentaje de los datos para el entrenamiento del sistema y otra parte para validar su desempeño.
En la pantalla de Classification Learner de MATLAB® se hace la selección de predictores, respuestas y método de validación del clasificador.
Posteriormente se utiliza una máquina de soporte vectorial (SVM, por sus siglas en ingles) [1,2] para hacer la clasificación y el entrenamiento de los distintos núcleos, seleccionando el tipo específico como el Medium Gaussian, quadratic, cubic, etc. con base en restricciones que se dan por factores como el porcentaje de grasa en la piel, vello corporal o humedad. Por la información utilizada en este trabajo, el núcleo con mejor desempeño fue Quadratic SVM, el cual tuvo una precisión de 99.7 por ciento (Fig. 4).
2.2. Control de los servomotores en tiempo real
Una vez que se determina el gesto, se decide el número de grados que ha de girar cada actuador y, utilizando la tarjeta Arduino®, se envían las señales a cada uno de los servomotores para que alcancen la posición deseada, usando una señal PWM.
En la Fig. 5 se muestra el diagrama de flujo para realizar el control en tiempo real de los servomotores mediante las señales EMG del brazalete MYO®.
2.3. Cuaterniones
Como se mencionó anteriormente, el brazalete MYO® tiene 3 acelerómetros y 3 giroscopios para obtener su posición y orientación en el espacio. Para los datos espaciales el SDK tiene:
Datos de orientación: En forma de cuaterniones y de ángulos de Euler.
Datos puros de lectura del acelerómetro: en forma de vector tridimensional.
Datos puros de lectura del giroscopio: en forma de vector tridimensional.
Los cuaterniones y los ángulos de Euler son diferentes representaciones para expresar la orientación de un cuerpo rígido en el espacio. Los tres componentes de los ángulos de Euler corresponden al ángulo vertical, al horizontal y al rotacional. Los cuaterniones representan la trayectoria más corta para llegar de una trayectoria a otra.
La posición (Yaw = 0, Pitch = 0, Roll = 0) es representada en cuaterniones por la forma q = [0,0,0,1].
Para convertir de cuaterniones a ángulos de Euler siguiendo la secuencia (yaw, pitch, roll) se tiene:
Si se quiere realizar esta conversión de manera gráfica, se puede utilizar la instrucción quaternion2euler de MATLAB®.
2.4. Integración de sistema de actuación con mano robótica
Para este caso de aplicación la mano robótica sujeta objetos a partir de 12cm × 12cm con masa no mayor a 500 gramos, los dedos se adaptan a las diferentes formas de los objetos para una mejor sujeción y poseen una rugosidad que permite sujetar objetos sin resbalarse.
Las piezas de la mano son parte de un proyecto de robótica de código abierto denominado InMoov, creado por Gael Langevin. Los archivos .stl se encuentran disponibles en: http://inmoov.fr/.
Respecto a los requerimientos eléctrico-electrónicos se tiene que:
La prótesis debe ser accionada por señales mioeléctricas provenientes del musculo bíceps del brazo y del musculo Extensor Carpi Radialis Longus del antebrazo.
La fuente de alimentación debe ser externa.
Los actuadores deben ser servomotores con engranajes metálicos para una mejor transmisión de movimiento a los dedos de la prótesis.
Los requerimientos mínimos del sistema para generar un movimiento en la mano robótica son:
Una versión de MATLAB® 2015 o posterior, que incluya la aplicación Classification Learner.
Compilador de C++, se puede usar el que está incluido en Visual Studio® 2015.
MYO® SDK disponible1 y MYO® Connect, para realizar la conexión entre el brazalete y la computadora.
Soporte para Arduino® en MATLAB®2.
El código original de MATLAB® que se tomó como base para este trabajo se encuentra disponible3.
3. Resultados y discusión
Se reconocen 6 gestos de la mano del usuario: izquierda, derecha, puño, palma, descanso y propuesto. Procesando las señales adquiridas de estos gestos, clasificándolas y amplificándolas se obtienen las gráficas de las señales de control para los 5 servomotores que accionan los dedos de la mano robótica para generar movimientos específicos. Los servomotores s1, s2, s3, s4 y s5 mueven a los dedos pulgar, índice, medio, anular y menique respectivamente. En ese orden se conectaron a los puertos digitales de la tarjeta Arduino® que tiene salidas PWM y permiten controlar su posición.
En la Fig. 6 se muestra la gráfica de rotación de cada motor con respecto al tiempo mientras se realiza el movimiento de cerrar el puno a partir de la mano completamente extendida. Aquí, los motores se mueven al mismo tiempo y el mismo número de grados, excepto que s4 y s5 que se detienen antes, y s1 gira un menor número de grados.
Fig. 6 Representación del movimiento de los actuadores durante la transición de la mano extendida al puño cerrado
En la Fig. 7 se muestra la mano robótica imitando el movimiento de cerrar el puño.
En la Fig. 8 se tiene la mano sosteniendo un multímetro para demostrar su capacidad de agarre y sujeción. Para visualizar el movimiento de la mano robótica con base en las señales EMG adquiridas, se puede consultar el video que se encuentra disponible4.
Además de las señales EMG, las mediciones de la orientación del brazalete, pueden ser también utilizadas como señales de control. En la Fig. 9, se muestran cuaterniones obtenidos de la pulsera MYO® así como las señales representadas por los ángulos de Euler.
Una aplicación de los cuaterniones en la mano robótica es el movimiento de pinza gruesa. Solo se mueven los dedos pulgar, índice y medio.
Para esta prueba, el movimiento de control considerado es la flexión-extensión del antebrazo (rotación alrededor del eje y), de tal forma que el movimiento de los dedos sea proporcional a la flexión del brazo para cerrar la pinza y a la extensión para abrirla.
En la parte inferior de la Fig. 10 se muestra la orientación del eje y llegando a 50 aproximadamente como máximo y el movimiento prácticamente nulo en los otros dos ejes, y en la parte superior se observa como los actuadores correspondientes a los dedos que generan el agarre se mueven indicando el inicio en 0 y su valor máximo en 130.
Fig. 10 Movimiento del brazo con el brazalete MYO® alrededor del eje y y movimiento de los actuadores correspondientes al dedo índice, medio y pulgar
Los resultados de esta prueba se pueden visualizar en el video disponible en youtube5.
La segunda prueba que se realizó con las señales de orientación del brazalete usando cuaterniones, fue que la mano robótica ejecutara la flexión consecutiva de los dedos a partir de la rotación del antebrazo alrededor del eje x.
En la parte inferior de la Fig. 11 se muestra la orientación del eje x llegando a 100 aproximadamente como máximo. Een la parte superior de la misma figura se observa como los actuadores correspondientes a los cinco dedos se mueven de manera sucesiva en función del cambio en la orientación del brazo alrededor del eje x. Los resultados de esta prueba se pueden observar en el video disponible en youtube6.
5. Conclusiones
El desarrollo mecánico de la prótesis y del programa en MATLAB® para la adquisición e interpretación de las señales electromiográficas se desarrolló aplicando código abierto disponible en internet, lo que permite el diseño y construcción del prototipo en un tiempo corto. Al código para la adquisición y manipulación de señales se agregaron líneas de programación que permiten identificar diferentes gestos de los propuestos por los fabricantes del brazalete MYO® . Esta programación se subirá a la misma página de programación de MYO® para apoyo de los usuarios.
La unión de estos dos programas permitió el desarrollo de una mano robótica que imita los movimientos humanos generando las bases para desarrollar una prótesis real. Como trabajos futuros se plantea el rediseño para el incremento de fuerza en la prótesis y para generar los movimientos finos de la mano. Éste proyecto es multidisciplinario y es necesaria la participación de un especialista para desarrollar prototipos personalizados cumpliendo con la ergonomía y las necesidades del paciente.
También se demostró que el prototipo presentado es de bajo costo y fácil adquisición, lo que permite a los usuarios generar e implementar diversos diseños a partir de código abierto modificado.
