Predicción de la posición de los dedos de la mano a partir de electromiografía superficial en tiempo real.
| dc.contributor.advisor | Pino Quiroga, Esteban Javier | es |
| dc.contributor.author | Fritis Zacconi, Jorge Américo | es |
| dc.date.accessioned | 2025-10-22T13:08:57Z | |
| dc.date.available | 2025-10-22T13:08:57Z | |
| dc.date.issued | 2025 | |
| dc.description | Tesis presentada para optar al título de Ingeniero/a Civil Biomédico. | es |
| dc.description.abstract | La interacción entre humanos y máquinas ha evolucionado significativamente, impulsando la necesidad de interfaces más naturales y eficientes. En este contexto, la estimación de movimientos articulares a partir de señales electromiografías (EMG) se presenta como una alternativa prometedora para el control de dispositivos robóticos y prótesis, así como para aplicaciones en rehabilitación y traducción de lengua de señas. Este trabajo aborda el desafío de predecir las posiciones articulares de los dedos de la mano a partir de señales electromiografías superficiales (sEMG) registradas desde la muñeca. Para ello, se desarrolló un sistema completo que incluye una pulsera impresa en 3D con cinco sensores EMG, un módulo de adquisición inalámbrico, y una interfaz gráfica que permite registrar y visualizar simultáneamente las señales musculares y los ángulos articulares validado por un sistema de visión por computadora (MediaPipe). Se construyó una base de datos con 25 gestos realizados por 15 usuarios en 10 sesiones, incluyendo cambios en la ubicación de los electrodos en la muñeca para evaluar la robustez del sistema. Con estos datos se entrenó una red neuronal convolucional con mecanismos de atención y una arquitectura multi ramal, donde cada rama está enfocada en un dedo específico. El modelo obtuvo errores angulares promedio menores a 8° en condición intrausuario y correlaciones superiores a 0.75, mostrando que puede seguir la evolución del movimiento de los dedos. En condición interusuario, el rendimiento fue más bajo, aunque mejoró cuando se entrenó con datos de varios sujetos, teniendo una correlación de 0.25 y errores promedio de 10°. Entre las conclusiones principales, se destaca que el sistema es funcional y viable para aplicaciones prácticas siempre que el modelo esté entrenado con datos del usuario o con suficiente diversidad. Además, se demostró que el modelo es sensible a la posición de la pulsera, pero esta limitación puede ser mitigada incorporando datos de entrenamiento con distintas ubicaciones. Como proyecciones futuras, se propone mejorar la calidad de las señales utilizando sensores EMG de diseño propio, incorporar sensores inerciales para complementar la información muscular, implementar un sistema de calibración rápida para nuevos usuarios, y explorar el uso de electromiografía de alta densidad (HD-EMG) para aumentar la precisión espacial del sistema. | es |
| dc.description.abstract | The interaction between humans and machines has evolved significantly, driving the need for mo re natural and efficient interfaces. In this context, estimating joint movements from electromyographic (EMG) signals emerges as a promising alternative for controlling robotic devices and prosthetics, as well as for applications in rehabilitation and sign language translation. This work addresses the challenge of predicting the joint positions of the fingers using only surface electromyographic (sEMG) signals recorded from the wrist. To achieve this, a complete system was developed, including a 3D-printed wristband with five EMG sensors, a wireless acquisition module, and a graphical interface that allows for simultaneous recording and visualization of muscle signals and joint angles, validated by a computer vision system (MediaPipe). Adatabase was built with 25 gestures performed by 15 users across 10 sessions, including variations in electrode placement on the wrist to evaluate the system’s robustness. Using this data, a convolutional neural network with attention mechanisms and a multi-branch architecture—where each branch focuses on a specific finger—was trained. The model achieved average angular errors below 8° and correlation values above 0.75 in intra-user evaluations, demonstrating its ability to follow finger movements over time. In inter-user evaluations, performance decreased, but improved when the model was trained with data from multiple subjects, reaching a correlation of 0.25 and average errors around 10°. Among the main conclusions, the system proved to be functional and suitable for practical appli cations, provided that the model is trained either with data from the target user or with a sufficiently diverse dataset. It was also shown that the model is sensitive to the position of the wristband, although this limitation can be mitigated by including training data from different placements. For future work, it is proposed to improve signal quality using custom-designed EMG sensors, inte grate inertial sensors to complement muscle information, implement a rapid calibration system for new users, and explore the use of high-density electromyography (HD-EMG) to enhance the system’s spatial precision and robustness. | en |
| dc.description.campus | Concepción | es |
| dc.description.departamento | Departamento de Ingeniería Eléctrica | es |
| dc.description.facultad | Facultad de Ingeniería | es |
| dc.identifier.uri | https://repositorio.udec.cl/handle/11594/13269 | |
| dc.language.iso | es | es |
| dc.publisher | Universidad de Concepción | es |
| dc.rights | CC BY-NC-ND 4.0 DEED Attribution-NonCommercial-NoDerivs 4.0 International | en |
| dc.rights.uri | https://creativecommons.org/licenses/by-nc-nd/4.0/ | |
| dc.subject | Electromiografía | es |
| dc.subject | Sensores táctiles | es |
| dc.subject | Movimiento Fisiología | es |
| dc.title | Predicción de la posición de los dedos de la mano a partir de electromiografía superficial en tiempo real. | es |
| dc.type | Thesis | en |