Clasificación de señales electromiográficas del antebrazo mediante aprendizaje de máquina

El electromiograma (EMG) es una técnica de registro de la actividad eléctrica producida por los músculos esqueléticos mediante electrodos intramusculares o superficiales. El proyecto NinaPro almacena en su página web información de los movimientos de las manos, recogida con electrodos superficiales, con el fin de investigar sobre el diseño de prótesis biónicas. El objetivo de este proyecto es diseñar un sistema para distinguir movimientos de la mano con el objetivo futuro de controlar prótesis biomédicas. Para ello, se ha optado por dos formatos diferentes para representar la información contenida en las señales: Imágenes RBG en formato “jpg”, y datos numéricos en formato “mat”. Además, se han investigado diferentes preprocesados de datos tales como normalizaciones o eliminación estratégica de información. Para la diferenciación de movimientos se han utilizado modelos de aprendizaje máquina o “Machine Learning”, distinguiendo cuatro modelos de clasificación: “Random Forest”, “Support Vector Classifier”, Redes Neuronales Densas, y Redes Neuronales Convolucionales. Finalmente, los mejores resultados se han conseguido con una combinación de los cuatro modelos implementados, y una normalización de la señal relativa al sujeto que ejecuta el movimiento. Los resultados obtenidos con esta técnica son positivos, ya que se supera el 90 % de precisión con una clasificación de 12 movimientos, y se llega a un 83 % con 52 movimientos. Abstract: The electromyogram (EMG) is a technique for recording the electrical activity produced by skeletal muscles using intramuscular or surface electrodes. The NinaPro project stores on its website information about the movements of the hands, collected with surface electrodes, in order to investigate the design of bionic prostheses. The objective of this project is to design a system to distinguish hand movements with the future objective of controlling biomedical prostheses. To make this possible, two different formats have been chosen to represent the information contained in the signals: RGB images in jpg format, and numerical data in mat format. In addition, we have investigated different techniques of data preprocessing, such as normalizations or strategic elimination of information. For the differentiation of movements, Machine Learning models have been used, distinguishing four classification styles: Random Forest, Support Vector Classifier, Dense Neural Networks, and Convolutional Neural Networks. Finally, the best results have been obtained with a combination of the four models implemented, and a normalization of the signal relative to the subject who executes the movement. The results obtained with this technique are positive, since 90% accuracy is exceeded with a classification of 12 movements, and 83% is reached with 52 movements