Plaza TM, Bernal CF

Idioma: Español
Referencias bibliográficas: 11
Paginas: 277-295
Archivo PDF: 289.41 Kb.

RESUMEN

En la actualidad, los dispositivos de asistencia para el movimiento humano como exoesqueletos se utilizan ampliamente para resolver problemas ergonómicos en tareas como el trabajo repetitivo, la rehabilitación, etc., esto permite mantener o mejorar el nivel de calidad de vida del usuario lo que permite nuevos movimientos o reduce la fatiga al final de un día de trabajo. El estudio y desarrollo de estos exoesqueletos requiere en gran medida parámetros externos (condiciones de operación y propósito) y parámetros internos del movimiento. Estos requisitos y características son aspectos fundamentales para detectar qué tipo de acción desea realizar en el proceso de movimiento del cuerpo. El control de los exoesqueletos que se utilizan en la actualidad se suele realizar manualmente o la reacción al movimiento detectado, causando problemas de demoras en la realización del movimiento o la incomodidad de llevar a cabo el mismo, por lo que hoy por hoy se realizan estudios para identifique de manera fiel la acción que el usuario intenta realizar y apoye el movimiento desde antes de que comenzara. El objetivo del proyecto es identificar de la intensión de movimiento de personas mediante señales de electroencefalografía y electromiografía de superficie como punto de partida para futuros métodos de control de exoesqueletos. Como resultado del estudio, se obtuvo el diseño y la implementación de un sistema para obtener, procesar e identificar señales electrofisiológicas para predecir la intención de movimiento de los miembros inferiores con porcentajes de aciertos superiores a 86,66 %.

REFERENCIAS (EN ESTE ARTÍCULO)

1. Ferris DP. The exoskeletons are here. NeuroEngineering Rehabil. 2009;6(1):1-3.

2. Réidei GP. Research on Exoskeletons at the TU Berlin. Advances in Robotics Research; 2009. p. 335-46.

3. Sangwook K, Zhibin Y, Minho L. Understanding Human Intention by Connecting. Neural Networks; 2017.

4. Ximena O. Predicting Targets of Human Reaching Motions Using Different Sensing Technologies. IEEE Transactions on Biomedical Engineering. 2013;60(9):2645–54.

5. Anjum Naeem M, Javaid I, Mohsin I. EEG signals classification and determination of optimal feature-classifier combination for predicting the movement intent of lower limb. In 2016 2nd International Conference on Robotics and Artificial Intelligence (ICRAI). Rawalpindi, Pakistan; 2016. p. 45-9.

6. Lorena Alvarez O. Acondicionamiento de Señales Bioeléctricas. Pereira, Colombia: Universidad Tecnológica de Pereira – UTP; 2007.

7. Trout G, Martinez M. Conceptos básicos de electroencefalografía. Revista facultad de ciencias de la salud universidad del magdalena. 2006;3(1):18-23.

8. Gautam A, Narain Y, Pal A. Evaluation of Bioelectric Signals for Human Recognition. In International Conference on Intelligent Computing, Communication & Convergence ((ICCC-2014), Bhubaneswar. Odisha, India; 2015. p. 746–52.

9. Trans Cranial Technologyes. 10/20 System Positioning. Hong kong: Manual Trans Cranial Technologyes LTD; 2012

10. Ramiro M, Vergara Á, Vázquez G, Hernández E, Juárez L. Detección y Acondicionamiento de Señales Mioeléctri. In 10 congreso Nacional de Mectrónica. Puerto Vayarta, Jalisco; 2011.

11. Antti K. Modelling ECG signals with hidden Markov Models. Artificial Intelligence in Medicine. 1996;8:453-71.