Download Parte3 - AITADIS

Actas del VII Congreso Iberoamericano de Tecnologías de Apoyo a la Discapacidad 2013
representa el movimiento voluntario requerido para cada rutina motora, tanto en individuos saludables como
amputados.
Figura 1. Efecto de la señal sEMG para cada gesto motor.
Se seleccionaron las características que han sido usadas en la mayoría de los artículos referenciados en el
estado del arte, empleando combinaciones de DFA con cada característica en el dominio del tiempo y de la
frecuencia. Las características propuestas se presentan en la Tabla 2. Se empleó un sistema de
reconocimiento de patrones para la validación del protocolo experimental propuesto en este artículo, cuyos
resultados pueden ser consultados en [15]. Los gestos fueron organizados en categorías, donde cada una
conforma un sistema de reconocimiento independiente. Se combinaron las características mediante la
clasificación usando Lógica Difusa y redes neuronales multicapa MLP.
3. Resultados y discusión
Los resultados obtenidos en [15] mostraron tasas de acierto del 98,7% para tareas donde se combinaron
dos características: Dimensión Fractal (DFA) y dominio del tiempo (RMS) con MLP. La Figura 2 presenta la
matriz de confusión obtenida con los resultados para un solo individuo y los grupos de gestos motores C y D,
donde se aprecian los porcentajes de reconocimiento respectivos.
4. Conclusiones y trabajos futuros
El presente trabajo permite reconocer gestos de la mano con porcentajes altos de reconocimiento, a pesar
que los resultados obtenidos hasta el momento se relacionan únicamente con dos individuos. Se mantiene la
hipótesis de que el porcentaje de reconocimiento se conservará con pocas variaciones, si se mantienen las
condiciones establecidas por el presente protocolo para captura de señales EMG de superficie. Es
importante evaluar si existen diferencias significativas en los porcentajes de acierto de la primera a la tercera
sesión, por persona, con todas las personas y su relación con personas amputadas, con lo que se
evidenciaría si las tasas de aprendizaje realmente permiten mejorar las tasas de reconocimiento. El control
de reposo mejora la resolución en el reconocimiento de los datos, permite identificar los segmentos
284