sistemadeadquisicióndeseñalessemg ... · correa-figueroa et al. sistema de adquisición de...

NOTA TÉCNICA REVISTA MEXICANA DE

INGENIERÍA BIOMÉDICAibVol. 37, No. 1, Ene-Abr 2016, pp. 17-27

dx.doi.org/10.17488/RMIB.37.1.4

Sistema de Adquisición de Señales SEMGpara la Detección de Fatiga Muscular

J.L. Correa-Figueroa1, E. Morales-Sánchez1, J.A. Huerta-Ruelas1, J.J. González-Barbosa1, C.R.Cárdenas-Pérez2

1Centro de Investigación en Ciencia Aplicada y Tecnología Avanzada del Instituto Politécnico Nacional, UnidadQuerétaro Cerro Blanco No.141 Col. Colinas del Cimatario, 76090 Santiago de Querétaro, Qro. México

2Instituto Tecnológico de Estudios Superiores de Monterrey Campus Querétaro Epigmenio González 500,Fracc. San Pablo, 76130 Santiago de Querétaro, Qro. México

RESUMENEste trabajo presenta el desarrollo de un sistema de adquisición y procesamiento de señales mioeléctricas

superficiales o SEMG. El sistema propuesto adquiere las señales SEMG de la superficie de la piel utilizando electrodossuperficiales de AgCl. El sistema tiene una etapa de amplificación y de filtrado por hardware para eficientar el tiempode proceso. Se desarrolló un software para procesar por transformada de Fourier la señal SEMG amplificada y filtrada.A diferencia de otros sistemas de adquisición de señales biológicas que son desarrollados para terapia o rehabilitación,este sistema está pensado para ser usado para el control de brazos robóticos, por ello el software desarrollado midela fatiga utilizando parámetros como el corrimiento de la frecuencia media instantánea y la densidad espectral depotencia de la señal SEMG.Palabras clave: electromiografía, instrumentación, transformada rápida de Fourier.

Correspondencia:Eduardo Morales SánchezCentro de Investigación en Ciencia Aplicada y Tecnología Avanzadadel Instituto Politécnico Nacional, Unidad Querétaro.Correo electrónico: [email protected]

Fecha de recepción:28 de julio de 2015

Fecha de aceptación:10 de diciembre de 2015

dx.doi.org/10.17488/RMIB.37.1.4

18 Revista Mexicana de Ingeniería Biomédica · volumen 37 · número 1 · Ene-Abr, 2016

ABSTRACTThis paper presents the development of a system for acquiring and processing of surface myoelectric signals or

SEMG. The proposed system acquires signals SEMG skin surface using AgCl surface electrodes. The system hasan amplification step and hardware filtering to streamline the processing time. Developed software for processingthe Fourier transform SEMG amplified and filtered signal. Unlike other systems for acquisition of biological signals,which are developed for therapy or rehabilitation, this system is intended to be used for the control of robotic arms,so the software performs the measurement of fatigue using parameters like bleed average frequency and instantaneouspower spectral density of the signal SEMG.Keywords: electromyography, instrumentation, fast Fourier transform.

INTRODUCCIÓN

Una vertiente de las ciencias exactas queincluye el estudio, desarrollo e innovaciónde tecnologías para fines médicos, comoterapia o rehabilitación es la ingenieríabiomédica. Es dentro de esta disciplinaque se encuentra inmerso el desarrollo deinterfaces mioeléctricas (EMG); una interfazEMG es un dispositivo electrónico que haceuso de señales biológicas producidas porlos músculos del cuerpo, las cuales sonprocesadas y analizadas por un circuitoelectrónico además de un software [1], [2].Hoy en día el desarrollo de estos dispositivosva en ascenso, y su uso ya no solo se centraen el desarrollo de aplicaciones terapéuticasy de rehabilitación [3], [4], como el casode las prótesis mioeléctricas [5]-[8], sinotambién para el control de robots [9], [10] ybrazos robóticos [11]; estas nuevas tendenciasestán orillando el desarrollo de interfacesmioeléctricas para el uso diario, ya sea parafacilitar la vida diaria o también para usosde recreación y entretenimiento; por ejemploel uso de dispositivos EMG en videojuegoso para reemplazar dispositivos de entradasalida de una PC como el mouse o el teclado[12]. El análisis de la señal SEMG se basa enlas características temporales, por lo generalusando el valor de amplitud rectificado RMS

[13]. Sin embargo, las señales SEMG son muycomplejas, aleatorias, no estacionarias, nolineales (sin relación lineal entre la actividadmuscular y el patrón de señal de SEMG), y nose generan por fenómenos periódicos. Aunqueestas técnicas logran caracterizar las señalesSEMG, es necesario aplicar técnicas conperspectiva en la frecuencia para caracterizarcompletamente sus patrones. En términosde los parámetros del espectro de frecuenciacomo la transformada rápida de Fourier,que mide la amplitud de la señal sobre loscomponentes en frecuencia, o la frecuenciamedia instantánea, que muestra el valorpromedio del espectro de frecuencia en uninstante de tiempo [14]. Además la señalSEMG está expuesta a sufrir cambios debidosa la fatiga muscular. Cuando ocurre fatigaen el músculo, la amplitud de la señalde SEMG aumenta, debido a que, comomecanismo de compensación de fatiga, losmúsculos intentan mantener la misma fuerzareclutando unidades motoras adicionales;pero cuando esto no es posible, la fuerzacomienza a disminuir evidenciándose unareducción en la amplitud de la señal. Durantecontracciones fatigantes, se presenta unareducción en la velocidad de conducción y,por lo tanto, de las frecuencias característicasde la señal; siendo la acumulación de ácidoláctico una de sus causas [15]. Esta reducción

Correa-Figueroa et al. Sistema de Adquisición de Señales SEMG para la Detección de Fatiga Muscular 19

en la velocidad de conducción resulta en unacompresión y un corrimiento del espectrode frecuencias hacia las frecuencias bajas.Así mismo, la frecuencia de activación delas unidades motoras, representada en lazona de bajas frecuencias del espectro defrecuencia SEMG, cambia como consecuenciadel estado de fatiga. Por esto mismo es másconveniente realizar una caracterización de lafatiga utilizando los distintos parámetros enfrecuencia de la señal SEMG ya que paradeterminar la fatiga se debe determinar laDensidad de Potencia Espectral (PSD) [16],[17].

SISTEMA DE ADQUISICIÓN DESEÑALES

Electrodos

Los electrodos de superficiales son colocadosdirectamente sobre la superficie de la piel yson capaces de tomar registros poblacionalesde la actividad bioeléctrica. El uso delos electrodos superficiales es mucho másadecuado para el estudio del comportamientopromedio de la actividad eléctrica de unmusculo o grupo de músculos, lo cual es muyutilizado para detectar fatiga muscular y paramonitoreo del rendimiento de deportistas.Los materiales de los que se constituyen lamayoría de los electrodos de superficie sonmuy variables, entre ellos están la plata, eloro, acero inoxidable, platino entre otros.

Correspondencia: Eduardo Morales Sánchez

Correo electrónico: [email protected]

Fecha de envío:

28 de julio de 2015

ABSTRACT

This paper presents the development of a system for acquiring and processing of surface myoelectric signals or SEMG. The proposed system acquires signals SEMG skin surface using AgCl surface electrodes. The system has an amplification step and hardware filtering to streamline the processing time. Developed software for processing the Fourier transform SEMG amplified and filtered signal. Unlike other systems for acquisition of biological signals, which are developed for therapy or rehabilitation, this system is intended to be used for the control of robotic arms, so the software performs the measurement of fatigue using parameters like bleed average frequency and instantaneous power spectral density of the signal SEMG.

Keywords: Electromyography, Instrumentation, Fast Fourier Transform

INTRODUCCIÓN

Una vertiente de las ciencias exactas que incluye el estudio, desarrollo e innovación de tecnologías para fines médicos, como terapia o rehabilitación es la ingeniería biomédica. Es dentro de esta disciplina que se encuentra inmerso el desarrollo de interfaces mioeléctricas (EMG); una interfaz EMG es un dispositivo electrónico que hace uso de señales biológicas producidas por los músculos del cuerpo, las cuales son procesadas y analizadas por un circuito electrónico además de un software [1], [2]. Hoy en día el desarrollo de estos dispositivos va en ascenso, y su uso ya no solo se centra en el desarrollo de aplicaciones terapéuticas y de rehabilitación [3], [4], como el caso de las prótesis mioeléctricas [5]-[8], sino también para el control de robots [9], [10] y brazos robóticos [11]; estas nuevas tendencias están orillando el desarrollo de interfaces mioeléctricas para el uso diario, ya sea para facilitar la vida diaria o también para usos de recreación y entretenimiento; por ejemplo el uso de dispositivos EMG en videojuegos o para reemplazar dispositivos de entrada salida de una PC como el mouse o el teclado [12]. El análisis de la señal SEMG se basa en las características temporales, por lo general usando el valor de amplitud rectificado RMS [13]. Sin embargo, las señales SEMG son muy complejas, aleatorias, no estacionarias, no lineales (sin relación lineal entre la actividad muscular y el patrón de señal de SEMG), y no se generan por fenómenos periódicos. Aunque estas técnicas logran caracterizar las señales SEMG, es necesario aplicar técnicas con perspectiva en la frecuencia para caracterizar completamente sus patrones. En términos de los parámetros del espectro de frecuencia como la transformada rápida de Fourier, que mide la amplitud de la señal sobre los componentes en frecuencia, o la frecuencia media instantánea, que muestra el valor promedio del espectro de frecuencia en un instante de

tiempo [14]. Además la señal SEMG está expuesta a sufrir cambios debidos a la fatiga muscular. Cuando ocurre fatiga en el músculo, la amplitud de la señal de SEMG aumenta, debido a que, como mecanismo de compensación de fatiga, los músculos intentan mantener la misma fuerza reclutando unidades motoras adicionales; pero cuando esto no es posible, la fuerza comienza a disminuir evidenciándose una reducción en la amplitud de la señal. Durante contracciones fatigantes, se presenta una reducción en la velocidad de conducción y, por lo tanto, de las frecuencias características de la señal; siendo la acumulación de ácido láctico una de sus causas [15]. Esta reducción en la velocidad de conducción resulta en una compresión y un corrimiento del espectro de frecuencias hacia las frecuencias bajas. Así mismo, la frecuencia de activación de las unidades motoras, representada en la zona de bajas frecuencias del espectro de frecuencia SEMG, cambia como consecuencia del estado de fatiga. Por esto mismo es más conveniente realizar una caracterización de la fatiga utilizando los distintos parámetros en frecuencia de la señal SEMG ya que para determinar la fatiga se debe determinar la Densidad de Potencia Espectral (PSD) [16], [17].

SISTEMA DE ADQUISICIÓN DE SEÑALES

Figura 1 Diagrama de bloques del Sistema de adquisición de

señales SEMG Figura 1: Diagrama de bloques del Sistema deadquisición de señales SEMG.

Una de las condiciones deseables en unelectrodo, es que no sea polarizado, estosignifica que el potencial en el electrodono debe de variar considerablemente cadavez que la corriente pase a través deél. El electrodo de plata cloruro deplata (Ag/AgCl) ha demostrado tenerlos estándares adecuados para lograr estacaracterística, además, la interfaz piel-platao piel-Ag/AgCl tiene la mayor impedanciaresistiva en el dominio de la frecuenciaen SEMG [18]. La adquisición de laseñal se realizó por medio de electrodossuperficiales de AgCl de gel sólido conductivoen configuración bipolar [19].

Etapa de amplificación

La señal generada por una unidad motoratiene una amplitud aproximadamente de 250µV durante la contracción [20]. Debido aque las señales mioeléctricas son de pequeñaamplitud, el ruido ambiental o en mayormedida el ruido de línea (60Hz) puedeprovocar una falsa interpretación de losresultados. Por lo tanto, el amplificador dela unidad de procesamiento necesita ser nosolo lo suficientemente sensible como paradetectar y amplificar las pequeñas señalessino que también debe rechazar los ruidospara obtener solo actividad electromiográfica.Los amplificadores diferenciales permitenrechazar gran parte del ruido externo.Los amplificadores de instrumentacióncumplen con esas características y estánespecialmente construidos para propósitos deinstrumentación médica. A su vez permitevariar el factor de amplificación con lamodificación de un juego de resistencias.Para la etapa de amplificación se utilizó unamplificador diferencial INA114. El INA114es un amplificador de instrumentaciónde bajo costo de propósito general quepuede ofrecer una excelente precisión. Suversátil diseño y pequeño tamaño hacenque sea ideal para una amplia gama deaplicaciones. Con una sola resistencia externase establece cualquier ganancia de 1 a 10.000.


Electrodos Los electrodos de superficiales son colocados directamente sobre la superficie de la piel y son capaces de tomar registros poblacionales de la actividad bioeléctrica. El uso de los electrodos superficiales es mucho más adecuado para el estudio del comportamiento promedio de la actividad eléctrica de un musculo o grupo de músculos, lo cual es muy utilizado para detectar fatiga muscular y para monitoreo del rendimiento de deportistas. Los materiales de los que se constituyen la mayoría de los electrodos de superficie son muy variables, entre ellos están la plata, el oro, acero inoxidable, platino entre otros. Una de las condiciones deseables en un electrodo, es que no sea polarizado, esto significa que el potencial en el electrodo no debe de variar considerablemente cada vez que la corriente pase a través de él. El electrodo de plata cloruro de plata (Ag/AgCl) ha demostrado tener los estándares adecuados para lograr esta característica, además, la interfaz piel-plata o piel-Ag/AgCl tiene la mayor impedancia resistiva en el dominio de la frecuencia en SEMG [18]. La adquisición de la señal se realizó por medio de electrodos superficiales de AgCl de gel sólido conductivo en configuración bipolar [19].

Etapa de amplificación

La señal generada por una unidad motora tiene una

amplitud aproximadamente de 250 µV durante la contracción [20]. Debido a que las señales mioeléctricas son de pequeña amplitud, el ruido ambiental o en mayor medida el ruido de línea (60Hz) puede provocar una falsa interpretación de los resultados. Por lo tanto, el amplificador de la unidad de procesamiento necesita ser no solo lo suficientemente sensible como para detectar y amplificar las pequeñas señales sino que también debe rechazar los ruidos para obtener solo actividad electromiográfica. Los amplificadores diferenciales permiten rechazar gran parte del ruido externo. Los amplificadores de instrumentación cumplen con esas características y están especialmente construidos para propósitos de instrumentación médica. A su vez permite variar el factor de amplificación con la modificación de un juego de resistencias. Para la etapa de amplificación se utilizó un amplificador diferencial INA114. El INA114 es un amplificador de instrumentación de bajo costo de propósito general que puede ofrecer una excelente precisión. Su versátil diseño y pequeño tamaño hacen que sea ideal para una amplia gama de aplicaciones. Con una sola resistencia externa se establece cualquier ganancia de 1 a 10.000. La protección de entrada interna puede soportar hasta ± 40 V sin sufrir daños. El INA114 activa con muy baja

tensión de desplazamiento (50µV), la deriva (0.25µV / ° C) y un alto rechazo en modo común (115dB a T = 1,000). Funciona con voltajes de tan sólo ± 2.25V, lo que permite su uso con sistemas alimentados por baterías y de abastecimiento individuales de 5V. Para calcular la ganancia del amplificador se utiliza la ecuación (1) :

𝐺 = 1 +50𝑘Ω𝑅!

(1)

Despejando y proponiendo una ganancia de 200, la resistencia calculada corresponde a 270 Ω. La figura 2 muestra el diagrama eléctrico correspondiente al amplificador utilizado para la interfaz SEMG.

Figura 2 Circuito de la etapa de amplificación

Etapa de filtrado

Además de la amplificación se requiere filtrar la señal electromiografíca en la banda de 20 Hz a 300 Hz. Para ello se diseña un filtro integrador pasa bajas y un filtro derivador pasa altas de primer orden.

A. Filtro Integrador/Pasa bajas Se utiliza un filtro activo integrador. Para calcular la frecuencia de corte se utiliza la siguiente ecuación:

𝜔! =1𝑅!𝐶

(2)

Se calcula a una frecuencia de corte de 300 Hz y se da un valor de Capacitor de 1 µF dando un valor de resistencia de 3.3 kΩ. La figura 4 muestra el circuito eléctrico del filtro integrador pasa bajas a 300 Hz.

Figura 2: Circuito de la etapa de amplificación.

La protección de entrada interna puedesoportar hasta ± 40 V sin sufrir daños.El INA114 activa con muy baja tensión dedesplazamiento (50µV), la deriva (0.25µV / C) y un alto rechazo en modo común (115dB aT = 1,000). Funciona con voltajes de tan sólo± 2.25V, lo que permite su uso con sistemasalimentados por baterías y de abastecimientoindividuales de 5V. Para calcular la gananciadel amplificador se utiliza la ecuación (1) :

G = 1 + 50kΩRG

(1)

Despejando y proponiendo una ganancia de200, la resistencia calculada corresponde a270 Ω. La figura 2 muestra el diagramaeléctrico correspondiente al amplificadorutilizado para la interfaz SEMG.

Etapa de filtrado

Además de la amplificación se requiere filtrarla señal electromiografíca en la banda de 20Hz a 300 Hz. Para ello se diseña un filtrointegrador pasa bajas y un filtro derivadorpasa altas de primer orden.A. Filtro Integrador/Pasa bajas

Se utiliza un filtro activo integrador. Paracalcular la frecuencia de corte se utiliza lasiguiente ecuación:

ωH = 1RFC

(2)

Figura 3 Circuito filtro pasa bajas

B. Filtro derivador /Pasa altas:

Se utiliza un filtro activo derivador. Para calcular la frecuencia de corte se utiliza la siguiente ecuación xx:

𝑓! =1

2𝜋𝑅𝐶 (3)

Los valores correspondientes de R y C para una frecuencia de corte de 20 Hz son de 7.95 Khz y 1 uF respectivamente. La figura 5 muestra el diagrama eléctrico del circuito derivador pasa altas. Si se quiere una frecuencia de corte pasa altas de 20 Hz, entonces se despeja R en (3) y se sustituye en valor de frecuencia de 20 Hz, obteniendo una resistencia de 7.95 kΩ.

Figura 4 Circuito filtro pasa altas

Se decidió colocar un potenciómetro de precisión de 10 kΩ con vueltas múltiples para ajustar la frecuencia de corte pasa altas.

Convertidor Analógico Digital Para la adquisición de datos ADC desde el circuito sensor/amplificador SEMG se decidió utilizar los equipos compactDAQ de National Instruments junto con un módulo de entradas analógicas NI-9205. Esto debido a su versatilidad y fiabilidad a la hora de adquirir señales para analizarlas.

A. NI CompactDAQ 9174

El NI cDAQ-9174 es un chasis USB de 4 ranuras diseñado para sistemas pequeños y portátiles de pruebas de medidas mixtas. Se puede combinar el cDAQ-9174 con hasta cuatro módulos de E/S de la Serie C para lograr un sistema de medidas personalizado de entrada analógica, salida analógica, E/S digital y contadores/temporizadores.

Figura 5 Chasis NI cDAQ USB de 4 Ranuras

B. NI 9205

El NI 9205 es un módulo de la serie C, para usarse con chasis NI CompactDAQ y CompactRIO. Cuenta con 32 entradas de una sola terminal o 16 entradas analógicas diferenciales, una resolución de 16 bits y máxima velocidad de muestreo de 250 kS/s. Cada canal tiene rangos de entrada programables de ±200 mV, ±1, ±5 y ±10 V. Para protegerse contra señales transitorias, el NI 9205 incluye hasta 60 V de protección contra sobrevoltajes entre canales de entrada y común (COM). Además, el NI 9205 incluye doble barrera de aislamiento de canal a tierra para seguridad, inmunidad a ruido y alto rango de voltaje en modo común. Está diseñado para protección de sobrevoltaje transitorio de 1,000 Vrms.

Figura 6 Diagrama de conexión del NI-9205 en

configuración NRSE Se utilizó la configuración de medida NRSE (no referenciada) del NI-9205 para poder tomar mediciones en todos los treinta y dos canales y así la reducción de ruido es más eficaz que con la configuración de conexión RSE.

Figura 3: Circuito filtro pasa bajas.

Se calcula a una frecuencia de corte de 300Hz y se da un valor de Capacitor de 1 µFdando un valor de resistencia de 3.3 kΩ. Lafigura 4 muestra el circuito eléctrico del filtrointegrador pasa bajas a 300 Hz.


Se utiliza un filtro activo derivador. Paracalcular la frecuencia de corte se utiliza lasiguiente ecuación:

fc = 12πRC (3)

Los valores correspondientes de R y C parauna frecuencia de corte de 20 Hz son de7.95 Khz y 1 µF respectivamente. Lafigura 5 muestra el diagrama eléctrico delcircuito derivador pasa altas. Si se quiereuna frecuencia de corte pasa altas de 20 Hz,entonces se despeja R en (3) y se sustituye envalor de frecuencia de 20 Hz, obteniendo unaresistencia de 7.95 kΩ.

Se decidió colocar un potenciómetro deprecisión de 10 kΩ con vueltas múltiples paraajustar la frecuencia de corte pasa altas.





𝑓! =1

2𝜋𝑅𝐶 (3)








B. NI 9205




Figura 4: Circuito filtro pasa altas.

Convertidor Analógico Digital

Para la adquisición de datos ADC desde elcircuito sensor/amplificador SEMG se decidióutilizar los equipos compactDAQ de NationalInstruments junto con un módulo de entradasanalógicas NI-9205. Esto debido a suversatilidad y fiabilidad a la hora de adquirirseñales para analizarlas.A. NI CompactDAQ 9174

El NI cDAQ-9174 es un chasis USB de4 ranuras diseñado para sistemas pequeñosy portátiles de pruebas de medidas mixtas.Se puede combinar el cDAQ-9174 con hastacuatro módulos de E/S de la Serie C paralograr un sistema de medidas personalizadode entrada analógica, salida analógica, E/Sdigital y contadores/temporizadores.B. NI 9205

El NI 9205 es un módulo de la serie C,para usarse con chasis NI CompactDAQ yCompactRIO. Cuenta con 32 entradas deuna sola terminal o 16 entradas analógicasdiferenciales, una resolución de 16 bitsy máxima velocidad de muestreo de 250kS/s. Cada canal tiene rangos de entradaprogramables de ±200 mV, ±1, ±5 y ±10 V.Para protegerse contra señales transitorias,el NI 9205 incluye hasta 60 V de proteccióncontra sobrevoltajes entre canales de entraday común (COM). Además, el NI 9205 incluyedoble barrera de aislamiento de canal atierra para seguridad, inmunidad a ruidoy alto rango de voltaje en modo común.Está diseñado para protección de sobrevoltajetransitorio de 1,000 Vrms.




𝑓! =1

2𝜋𝑅𝐶 (3)








B. NI 9205




Figura 5: Chasis NI cDAQ USB de 4 Ranuras.




𝑓! =1

2𝜋𝑅𝐶 (3)








B. NI 9205




Figura 6: Diagrama de conexión del NI-9205 enconfiguración NRSE.

Se utilizó la configuración de medidaNRSE (no referenciada) del NI-9205 parapoder tomar mediciones en todos los treinta ydos canales y así la reducción de ruido es máseficaz que con la configuración de conexiónRSE.

Software de Análisis

El software de análisis para la adquisicióny análisis de señales SEMG se desarrollóen la plataforma de instrumento virtualLabVIEW R© (ver. 2013 SP1) y el softwareMatlab (ver. R2014a) que se ejecuta en unordenador portátil con Windows R© 10 x64(build 10240), un AMD A10-5750M 2,5 GHzcon 4 núcleos de procesador, memoria RAMy 16 GB.

El programa para adquisición y análisisde señales SEMG consta de varias etapas lascuales se describirán a continuación.A. Filtrado Digital

Filtra una señal de tiempo usandouna respuesta de impulso infinita (IIR) orespuesta de impulso finito (FIR). Se utiliza elfiltro para eliminar o atenuar las frecuenciasno deseadas de una señal utilizando diversostipos de filtros estándar y topologías.


Software de Análisis

El software de análisis para la adquisición y análisis de señales SEMG se desarrolló en la plataforma de instrumento virtual LabVIEW® (ver. 2013 SP1) y el software Matlab (ver. R2014a) que se ejecuta en un ordenador portátil con Windows® 10 x64 (build 10240), un AMD A10-5750M 2,5 GHz con 4 núcleos de procesador, memoria RAM y 16 GB.

Figura 7 Diagrama de flujo del software

El programa para adquisición y análisis de señales SEMG consta de varias etapas las cuales se describirán a continuación.

A. Filtrado Digital Filtra una señal de tiempo usando una respuesta de impulso infinita (IIR) o respuesta de impulso finito (FIR). Se utiliza el filtro para eliminar o atenuar las frecuencias no deseadas de una señal utilizando diversos tipos de filtros estándar y topologías. Este VI Express filtra la señal de entrada de forma continua. El VI Express restablece la señal a su valor original de la primera vez que el VI Express se ejecuta, si el software detecta una discontinuidad en la señal de entrada, o si la entrada de reset recibe un valor TRUE. Los filtros digitales que se integraron en el software fueron:

- Filtro Notch: 60 Hz - Filtro Pasa Altas: 20 Hz - Filtro Pasa Bajas: 300 Hz

B. Transformada rápida de Fourier (FFT) La Transformada rápida de Fourier se define como:

𝑦𝑘 = 𝑥!𝑒!!!!"#/!!!!

!!!

(4)

Para n = 0, 1, 2, ..., N-1 Donde x es la secuencia de entrada, N es el número de elementos de x, e Y es el resultado de transformar.

C. Densidad de Potencia Espectral (PSD) La PSD es una versión reducida del espectro de potencia, donde la potencia presente dentro de cada valor espectral. Se calcula:

𝑃𝑆𝐷 = 𝑟!!(𝑘)𝑒!!"#!!!!

!!!!

(5)

Donde rmm(k) es la función de auto correlación y e-ikω es el k-iésimo armónico senoidal de la señal. Normalmente se utiliza esta medida para examinar el nivel de ruido de una señal o la potencia en un determinado rango de frecuencias. Normalizar el espectro de potencia por la anchura hace esta medición independiente de la duración de la señal, o el número de muestras. El software desarrollado entrega la PSD de la FFT de la señal SEMG y muestra los resultados en Hz por RMS al cuadrado en tiempo real.

D. Frecuencia de Potencia Media (MNF) MNF es una frecuencia media que se calcula como la suma de producto del espectro de potencia SEMG y la frecuencia dividida por la suma total de la potencia del espectro [21]. La MNF también encuentra en la literatura como la media de frecuencia espectral. La definición de la MNF está dada por:

𝑀𝑁𝐹 = 𝑓!𝑃!

!

!!!

𝑃!

!

!!!

(6)

Donde fj es el valor de frecuencia de espectro de potencia EMG en el intervalo de frecuencia j, Pj es el espectro de potencia EMG en el intervalo de frecuencia j, y M es la longitud del intervalo de frecuencia. En el análisis de la señal de EMG, M se define generalmente como la siguiente potencia del doble de la longitud de la señal EMG en el dominio del tiempo. El software desarrollado calcula en tiempo real la MNF de una

Figura 7: Diagrama de flujo del software.

Este VI Express filtra la señal de entrada deforma continua. El VI Express restablece laseñal a su valor original de la primera vez queel VI Express se ejecuta, si el software detectauna discontinuidad en la señal de entrada, osi la entrada de reset recibe un valor TRUE.Los filtros digitales que se integraron en elsoftware fueron:

• Filtro Notch: 60 Hz

• Filtro Pasa Altas: 20 Hz

• Filtro Pasa Bajas: 300 Hz

B. Transformada rápida de Fourier (FFT)La Transformada rápida de Fourier se

define como:

yk =N−1∑n=0

xne−j2πkn/N (4)

Para n = 0, 1, 2, ..., N − 1Donde x es la secuencia de entrada, N es el

número de elementos de x, e Y es el resultadode transformar.C. Densidad de Potencia Espectral (PSD)

La PSD es una versión reducida delespectro de potencia, donde la potencia

presente dentro de cada valor espectral. Secalcula:

PSD =k=+∞∑k=−∞

rmm(k)e−ikω (5)

Donde rmm(k) es la función de autocorrelación y e−ikω es el k-iésimo armónicosenoidal de la señal. Normalmente se utilizaesta medida para examinar el nivel de ruidode una señal o la potencia en un determinadorango de frecuencias. Normalizar el espectrode potencia por la anchura hace esta mediciónindependiente de la duración de la señal, o elnúmero de muestras. El software desarrolladoentrega la PSD de la FFT de la señal SEMGy muestra los resultados en Hz por RMS alcuadrado en tiempo real.D. Frecuencia de Potencia Media (MNF)

MNF es una frecuencia media que secalcula como la suma de producto delespectro de potencia SEMG y la frecuenciadividida por la suma total de la potencia delespectro [21]. La MNF también encuentraen la literatura como la media de frecuenciaespectral. La definición de la MNF está dadapor:

MNF =M∑j=1

fjPj/M∑j=1

Pj (6)

Donde fj es el valor de frecuencia de espectrode potencia EMG en el intervalo de frecuenciaj, Pj es el espectro de potencia EMG enel intervalo de frecuencia j, y M es lalongitud del intervalo de frecuencia. En elanálisis de la señal de EMG, M se definegeneralmente como la siguiente potencia deldoble de la longitud de la señal EMGen el dominio del tiempo. El softwaredesarrollado calcula en tiempo real la MNFde una señal de electromiografía. Primerocalcula el espectrograma de la transformadade Fourier de tiempo corto (STFT) de la señalSEMG y luego calcula la MNF utilizando elespectrograma STFT.E. Frecuencia de Potencia Mediana (MDF)

MDF es una frecuencia a la que el espectrode potencia EMG se divide en dos regiones


con igual amplitud [21]. MDF también sedefine como una media de la potencia total(dividiendo el área total de potencia en dospartes iguales). La definición de MDF estádada por:

M∑j=1

DFPj =M∑

j=MDF

Pj = 12

M∑j=1

Pj (7)

El software que se desarrolló calculaen tiempo real la MDF de una señalde electromiografía. Primero calcula elespectrograma de la transformada de Fourierde tiempo corto (STFT) de la señal EMGy luego calcula la MDF utilizando elespectrograma STFT.G. Frecuencia Media Instantánea (IMNF)

La frecuencia instantánea es definidacomo la primera fase de la derivada de laseñal. La necesidad de promediación vienede que la señal EMG es una señal aleatoria.

IMNF =∫∞

0 ωP (t, ω)dω∫∞0 ωP (t, ω)dω (8)

Donde P (t, ω) es la PSD de la señal.El software desarrollado calcula en tiempo

real la frecuencia media instantánea (IMNF)de una señal a partir de su espectrograma. ElIMNF revela cómo la frecuencia central de laseñal cambia con el tiempo.

RESULTADOS Y DISCUSIÓN

Se construyó el sistema de adquisición yanálisis de señales SEMG, el cual cuenta conlas características señaladas en la siguientetabla.

Para comprobar el funcionamiento delsistema se procedió a adquirir la señalSEMG del músculo bíceps brachii al realizarmovimientos cíclicos. Se utilizaron electrodossuperficiales de AgCl de gel sólido conductivoen configuración bipolar, para adquirir lasseñales SEMG, localizados donde comomuestra la figura 8.

Tabla 1: Características generales del circuitoCaracterísticas Valor

Frecuencia min. de entrada 10HzFrecuencia máx. de entrada 2.995 kHzVoltaje mínimo de entrada ± 50 µVVoltaje máximo de entrada ± 40 V

Ganancia 0 - 1000CMRR 110 dB

Filtro Notch 60 HzFiltro Pasa Altas 20 HzFiltro Pasa Bajas 300 Hz

señal de electromiografía. Primero calcula el espectrograma de la transformada de Fourier de tiempo corto (STFT) de la señal SEMG y luego calcula la MNF utilizando el espectrograma STFT.

E. Frecuencia de Potencia Mediana (MDF) MDF es una frecuencia a la que el espectro de potencia EMG se divide en dos regiones con igual amplitud [21]. MDF también se define como una media de la potencia total (dividiendo el área total de potencia en dos partes iguales). La definición de MDF está dada por:

𝑃! = 𝑃! =12

𝑃!

!

!!!

!

!!!"#

!"#

!!!

(7)

El software que se desarrolló calcula en tiempo real la MDF de una señal de electromiografía. Primero calcula el espectrograma de la transformada de Fourier de tiempo corto (STFT) de la señal EMG y luego calcula la MDF utilizando el espectrograma STFT.

G. Frecuencia Media Instantánea (IMNF)

La frecuencia instantánea es definida como la primera fase de la derivada de la señal. La necesidad de promediación viene de que la señal EMG es una señal aleatoria.

Donde P(t,ω) es la PSD de la señal. El software desarrollado calcula en tiempo real la frecuencia media instantánea (IMNF) de una señal a partir de su espectrograma. El IMNF revela cómo la frecuencia central de la señal cambia con el tiempo.

RESULTADOS Y DISCUSIÓN

Se construyó el sistema de adquisición y análisis de señales SEMG, el cual cuenta con las características señaladas en la siguiente tabla.

Tabla 1 Características generales del circuito Características Valor

Frecuencia min. de entrada 10Hz Frecuencia máx. de entrada 2.995 kHz Voltaje mínimo de entrada ± 50 µV Voltaje máximo de entrada ± 40 V

Ganancia 0 - 1000 CMRR 110 dB Filtro Notch 60 Hz Filtro Pasa Altas 20 Hz Filtro Pasa Bajas 300 Hz

Para comprobar el funcionamiento del sistema se procedió a adquirir la señal SEMG del músculo bíceps brachii al realizar movimientos cíclicos. Se utilizaron electrodos superficiales de AgCl de gel sólido conductivo en configuración bipolar, para adquirir las señales SEMG, localizados donde como muestra la figura 8.

Figura 8 Colocación de los electrodos

En la figura 9 se muestran las gráficas obtenidas en el panel del instrumento virtual. La figura 9(a) muestra la señal electromiográfica pura amplificada. La figura 9(b) muestra la señal electromiográfica filtrada en la banda de 10 Hz a 300 Hz. La figura 9(c) muestra el espectro de potencia de la señal electromiográfica con respecto a frecuencia. La figura 9(d) muestra la magnitud de los componentes en frecuencia de la señal EMG. Por último la figura 9(e) y 9(f) muestran los espectros de frecuencia de potencia media y de potencia mediana. Estos espectros nos proporcionan información relacionada con la fatiga muscular, ya que el espectro de potencia se va recorriendo hacia frecuencias menores cuando el músculo se va fatigando lo que permite monitorear la fatiga en tiempo real durante un ejercicio. Por lo que se decidió realizar dos ejercicios (contracción estática y contracción dinámica) para comprobar que el sistema era capaz de monitorear la fatiga en tiempo real utilizando los parámetros en frecuencia que calcula el software desarrollado.

𝐼𝑀𝑁𝐹 = 𝜔𝑃!

! (𝑡,𝜔)𝑑𝜔

𝜔𝑃(𝑡,𝜔)𝑑𝜔!!

(8)

Figura 8: Colocación de los electrodos.

En la figura 9 se muestran las gráficasobtenidas en el panel del instrumentovirtual. La figura 9(a) muestra la señalelectromiográfica pura amplificada. Lafigura 9(b) muestra la señal electromiográficafiltrada en la banda de 10 Hz a 300 Hz. Lafigura 9(c) muestra el espectro de potenciade la señal electromiográfica con respectoa frecuencia. La figura 9(d) muestra lamagnitud de los componentes en frecuenciade la señal EMG. Por último la figura 9(e)y 9(f) muestran los espectros de frecuenciade potencia media y de potencia mediana.Estos espectros nos proporcionan informaciónrelacionada con la fatiga muscular, ya que elespectro de potencia se va recorriendo haciafrecuencias menores cuando el músculo se vafatigando lo que permite monitorear la


(a)

(b)

(c)

(d)

(e)

(f)

Figura 9 Sistema de procesamiento de señales digitales. Señal SEMG en bruto (a), Señal SEMG después del filtrado digital (b), Espectro de potencia de la señal (c), Magnitud de la FFT (d), Frecuencia de potencia mediana (e), Frecuencia

de potencia media

A. Ejercicio de Fatiga durante una Contracción Estática

Para la detección de la fatiga la fatiga muscular durante una contracción estática se determinó adquirir las señales SEMG del músculo bíceps (musculus biceps brachii), con los electrodos en configuración bipolar [22]. Se planeó un ejercicio para fatigar el músculo durante una contracción estática, para esto, en la mano se cargó un peso de 3kg y se sostuvo el brazo flexionando el codo a 90° por aproximadamente 240 s (4 minutos). Cada 60 s se realizó una rápida flexión total del brazo y luego se regresaba a su posición inicial de flexión a 90°. En la figura 10 se puede observar la señal SEMG obtenida durante todo el ejercicio de fatiga estática. El PSD (figura 11) nos muestra cómo está distribuida la energía de la señal sobre las distintas frecuencias de las que está formada. A partir de la PSD se calcula entonces la Frecuencia Media Instantánea (IMNF). Los valores obtenidos en la figura 12 se promediaron cada 0.5 segundos.

(a)

(b)

(c)

(d)

(e)

(f)


de potencia media



(a)

(b)

(c)

(d)

(e)

(f)


de potencia media



a) b) c)

(a)

(b)

(c)

(d)

(e)

(f)


de potencia media



(a)

(b)

(c)

(d)

(e)

(f)


de potencia media



(a)

(b)

(c)

(d)

(e)

(f)


de potencia media



d) e) f)Figura 9: Sistema de procesamiento de señales digitales. Señal SEMG en bruto (a), Señal SEMG después delfiltrado digital (b), Espectro de potencia de la señal (c), Magnitud de la FFT (d), Frecuencia de potencia mediana(e), Frecuencia de potencia media.

fatiga en tiempo real durante un ejercicio.Por lo que se decidió realizar dos ejercicios(contracción estática y contracción dinámica)para comprobar que el sistema era capaz demonitorear la fatiga en tiempo real utilizandolos parámetros en frecuencia que calcula elsoftware desarrollado.A. Ejercicio de Fatiga durante unaContracción Estática

Para la detección de la fatiga la fatigamuscular durante una contracción estáticase determinó adquirir las señales SEMG delmúsculo bíceps (musculus biceps brachii),con los electrodos en configuración bipolar[22]. Se planeó un ejercicio para fatigar elmúsculo durante una contracción estática,para esto, en la mano se cargó un pesode 3kg y se sostuvo el brazo flexionando elcodo a 90 por aproximadamente 240 s (4minutos). Cada 60 s se realizó una rápidaflexión total del brazo y luego se regresabaa su posición inicial de flexión a 90. En lafigura 10 se puede observar la señal SEMGobtenida durante todo el ejercicio de fatigaestática. El PSD (figura 11) nos muestracómo está distribuida la energía de la señalsobre las distintas frecuencias de las que está

Figura 10 Señal SEMG obtenida durante una contracción

estática.

Figura 11 PSD de la señal EMG durante un instante de

tiempo Al agregarle una recta de tendencia lineal podemos observar como la IMNF (figura 12) va disminuyendo con el tiempo, lo que es indicativo de que el músculo se va fatigando con el tiempo [14]. Las fibras musculares al fatigarse sufren de varios cambios en la estructura química de sus membranas celulares. Haciendo que las señales SEMG obtenidas sufran un aumento en su amplitud y después un decremento sostenido [23]. En la Figura 13 podemos observar como el voltaje RMS sufre un aumento en sus valores, lo cual es indicativo de fatiga muscular [13].

Figura 12 IMNF junto con su recta de tendencia lineal

Figura 13 Voltaje RMS de la señal SEMG obtenida

B. Fatiga durante Contracciones Dinámicas

Para la detección de la fatiga la fatiga muscular durante contracciones dinámicas cíclicas se determinó adquirir las señales SEMG del músculo bíceps (musculus biceps brachii), del brazo derecho con los electrodos en configuración bipolar [22]. En la mano se cargó un peso de 3kg para realizar varias flexiones de entre 130° y 50° aproximadamente, tomando en cuenta los 180° como el brazo totalmente estirado, durante aproximadamente 210 s (3.5 minutos). Las flexiones se realizaron a una velocidad aproximada de una flexión cada 2 segundos. Se tomó en cuenta como fatiga extrema a la incapacidad de alcanzar la flexión a los 50°.

Figura 14 Señal EMG obtenida durante las contracciones

dinámicas En la figura 14 podemos observar la señal SEMG obtenida durante todo el ejercicio de fatiga dinámica. Al igual que con la contracción estática se calcula la Frecuencia Media Instantánea (IMNF). Los valores obtenidos se promediaron cada 0.5 segundos. Al agregarle una recta de tendencia lineal (figura 15) podemos observar como la IMNF va disminuyendo con el tiempo, lo que es indicativo de que el músculo se va fatigando con el tiempo.

Figura 10: Señal SEMG obtenida durante unacontracción estática.


estática.









Figura 11: PSD de la señal EMG durante uninstante de tiempo.

formada. A partir de la PSD se calculaentonces la Frecuencia Media Instantánea(IMNF).



estática.









Figura 12: IMNF junto con su recta de tendencialineal.


estática.









Figura 13: Voltaje RMS de la señal SEMG obtenida.

Los valores obtenidos en la figura 12 sepromediaron cada 0.5 segundos.

Al agregarle una recta de tendencia linealpodemos observar como la IMNF (figura 12)va disminuyendo con el tiempo, lo que esindicativo de que el músculo se va fatigandocon el tiempo [14]. Las fibras muscularesal fatigarse sufren de varios cambios enla estructura química de sus membranascelulares. Haciendo que las señales SEMGobtenidas sufran un aumento en su amplitudy después un decremento sostenido [23]. En laFigura 13 podemos observar como el voltajeRMS sufre un aumento en sus valores, lo cuales indicativo de fatiga muscular [13].B. Fatiga durante Contracciones Dinámicas

Para la detección de la fatiga la fatigamuscular durante contracciones dinámicascíclicas se determinó adquirir las señalesSEMG del músculo bíceps (musculusbiceps brachii), del brazo derecho con loselectrodos en configuración bipolar [22].En la mano se cargó un peso de 3kgpara realizar varias flexiones de entre


estática.









Figura 14: Señal EMG obtenida durante lascontracciones dinámicas.

Figura 15 IMNF junto con su recta de tendencia lineal para

contracciones dinámicas

Figura 16 Voltaje RMS de la señal SEMG obtenida de

contracciones dinámicas En la Figura 16 podemos observar como el voltaje RMS sufre un aumento en sus valores, que también se observa en el aumento de amplitud de la señal SEMG en la figura 14. Éste aumento es indicativo de fatiga muscular.

CONCLUSIONES

Se presenta el diseño de un sistema para adquisición y análisis SEMG que procesa la señal utilizando parámetros en frecuencia como transformada de Fourier, densidad espectral de potencia y frecuencia media instantánea. La ventaja de utilizar el parámetro de frecuencia media instantánea es que se pude monitorear en tiempo real la fatiga en un musculo. Esto es importante en la aplicación de control de movimiento robótico por señales electromiográficas ya que la fatiga es una característica de la señal electromiográfica que puede llegar a afectar un sistema basado en SEMG si es utilizado por mucho tiempo. El sistema está pensado para ser usado en el control de brazos robóticos para la ejecución de tareas sin contacto directo por parte del operador o en sistemas de simulación y animación en 3D.

REFERENCIAS [1] I. A. Cifuentes, “Diseño y construcción de un

sistema para la detección de señales electromiográficas,” Undergraduate Theses, Universidad Autónoma de Yucatán, 2010.

[2] S. Bela, R. Szabo, S. Ravi, U. Alessio, and K.

Sai, “A Data Acquisition and Signal Processing System for EMG and Acceleration Signals.” IEEE Proceedings, 1990.

[3] Y. Kim, S. Kim, H. Shim, S. Lee, and K. Kim,

“A method for gait rehabilitation training using EMG fatigue analysis,” 2013 Int. Conf. ICT Converg., pp. 52–55, Oct. 2013.

[4] V. Siemionow, V. Sahgal, and G. H. Yue,

“Single-Trial EEG-EMG coherence analysis reveals muscle fatigue-related progressive alterations in corticomuscular coupling.,” IEEE Trans. Neural Syst. Rehabil. Eng., vol. 18, no. 2, pp. 97–106, Apr. 2010.

[5] P. Shenoy, K. J. Miller, B. Crawford, and R. N.

Rao, “Online electromyographic control of a robotic prosthesis.,” IEEE Trans. Biomed. Eng., vol. 55, no. 3, pp. 1128–35, Mar. 2008.

[6] E. Mangieri, A. Ahmadi, K. Maharatna, S. A.

Ahmad, and P. H. Chappell, “A Novel Analogue Circuit for Controlling Prosthetic Hands,” IEEE, pp. 81–84, 2008.

[7] D. Peleg, E. Braiman, E. Yom-Tov, and G. F.

Inbar, “Classification of finger activation for use in a robotic prosthesis arm.,” IEEE Trans. Neural Syst. Rehabil. Eng., vol. 10, no. 4, pp. 290–3, Dec. 2002.

[8] P. Kutilek, J. Hybl, J. Kauler, and S. Viteckova,

“Prosthetic 6-DOF Arm Controlled by EMG Signals and Multi-Sensor System.” Czech Technical University in Prague, Faculty of Biomedical Engineering, 2010.

[9] P. K. Artemiadis and K. J. Kyriakopoulos, “An

EMG-based robot control scheme robust to time-varying EMG signal features.,” IEEE Trans. Inf. Technol. Biomed., vol. 14, no. 3, pp. 582–8, May 2010.

[10] C. Assad, M. Wolf, A. Stoica, and A. J. P. L.

Biosleeve, “BioSleeve : a Natural EMG-Based Interface for HRI,” IEEE HRI Proceedings pp.

Figura 15: IMNF junto con su recta de tendencialineal para contracciones dinámicas.

130 y 50 aproximadamente, tomando encuenta los 180 como el brazo totalmenteestirado, durante aproximadamente 210 s(3.5 minutos). Las flexiones se realizarona una velocidad aproximada de una flexióncada 2 segundos. Se tomó en cuenta comofatiga extrema a la incapacidad de alcanzarla flexión a los 50.

En la figura 14 podemos observar la señalSEMG obtenida durante todo el ejerciciode fatiga dinámica. Al igual que con lacontracción estática se calcula la FrecuenciaMedia Instantánea (IMNF). Los valoresobtenidos se promediaron cada 0.5 segundos.Al agregarle una recta de tendencia lineal(figura 15) podemos observar como la IMNFva disminuyendo con el tiempo, lo que esindicativo de que el músculo se va fatigandocon el tiempo.

En la Figura 16 podemos observar como elvoltaje RMS sufre un aumento en sus valores,que también se observa en el aumento deamplitud de la señal SEMG en la figura 14.


Figura 15 IMNF junto con su recta de tendencia lineal para

contracciones dinámicas

Figura 16 Voltaje RMS de la señal SEMG obtenida de

contracciones dinámicas En la Figura 16 podemos observar como el voltaje RMS sufre un aumento en sus valores, que también se observa en el aumento de amplitud de la señal SEMG en la figura 14. Éste aumento es indicativo de fatiga muscular.

CONCLUSIONES

Se presenta el diseño de un sistema para adquisición y análisis SEMG que procesa la señal utilizando parámetros en frecuencia como transformada de Fourier, densidad espectral de potencia y frecuencia media instantánea. La ventaja de utilizar el parámetro de frecuencia media instantánea es que se pude monitorear en tiempo real la fatiga en un musculo. Esto es importante en la aplicación de control de movimiento robótico por señales electromiográficas ya que la fatiga es una característica de la señal electromiográfica que puede llegar a afectar un sistema basado en SEMG si es utilizado por mucho tiempo. El sistema está pensado para ser usado en el control de brazos robóticos para la ejecución de tareas sin contacto directo por parte del operador o en sistemas de simulación y animación en 3D.

REFERENCIAS [1] I. A. Cifuentes, “Diseño y construcción de un

sistema para la detección de señales electromiográficas,” Undergraduate Theses, Universidad Autónoma de Yucatán, 2010.

[2] S. Bela, R. Szabo, S. Ravi, U. Alessio, and K.

Sai, “A Data Acquisition and Signal Processing System for EMG and Acceleration Signals.” IEEE Proceedings, 1990.

[3] Y. Kim, S. Kim, H. Shim, S. Lee, and K. Kim,

“A method for gait rehabilitation training using EMG fatigue analysis,” 2013 Int. Conf. ICT Converg., pp. 52–55, Oct. 2013.

[4] V. Siemionow, V. Sahgal, and G. H. Yue,

“Single-Trial EEG-EMG coherence analysis reveals muscle fatigue-related progressive alterations in corticomuscular coupling.,” IEEE Trans. Neural Syst. Rehabil. Eng., vol. 18, no. 2, pp. 97–106, Apr. 2010.

[5] P. Shenoy, K. J. Miller, B. Crawford, and R. N.

Rao, “Online electromyographic control of a robotic prosthesis.,” IEEE Trans. Biomed. Eng., vol. 55, no. 3, pp. 1128–35, Mar. 2008.

[6] E. Mangieri, A. Ahmadi, K. Maharatna, S. A.

Ahmad, and P. H. Chappell, “A Novel Analogue Circuit for Controlling Prosthetic Hands,” IEEE, pp. 81–84, 2008.

[7] D. Peleg, E. Braiman, E. Yom-Tov, and G. F.

Inbar, “Classification of finger activation for use in a robotic prosthesis arm.,” IEEE Trans. Neural Syst. Rehabil. Eng., vol. 10, no. 4, pp. 290–3, Dec. 2002.

[8] P. Kutilek, J. Hybl, J. Kauler, and S. Viteckova,

“Prosthetic 6-DOF Arm Controlled by EMG Signals and Multi-Sensor System.” Czech Technical University in Prague, Faculty of Biomedical Engineering, 2010.

[9] P. K. Artemiadis and K. J. Kyriakopoulos, “An

EMG-based robot control scheme robust to time-varying EMG signal features.,” IEEE Trans. Inf. Technol. Biomed., vol. 14, no. 3, pp. 582–8, May 2010.

[10] C. Assad, M. Wolf, A. Stoica, and A. J. P. L.

Biosleeve, “BioSleeve : a Natural EMG-Based Interface for HRI,” IEEE HRI Proceedings pp.

Figura 16: Voltaje RMS de la señal SEMG obtenidade contracciones dinámicas.

Éste aumento es indicativo de fatigamuscular.

CONCLUSIONES

Se presenta el diseño de un sistema paraadquisición y análisis SEMG que procesala señal utilizando parámetros en frecuenciacomo transformada de Fourier, densidadespectral de potencia y frecuencia mediainstantánea. La ventaja de utilizar elparámetro de frecuencia media instantáneaes que se pude monitorear en tiempo real lafatiga en un musculo. Esto es importanteen la aplicación de control de movimientorobótico por señales electromiográficas yaque la fatiga es una característica de laseñal electromiográfica que puede llegar aafectar un sistema basado en SEMG si esutilizado por mucho tiempo. El sistemaestá pensado para ser usado en el control debrazos robóticos para la ejecución de tareassin contacto directo por parte del operador oen sistemas de simulación y animación en 3D.

REFERENCIAS

1. I. A. Cifuentes, “Diseño y construcciónde un sistema para la detecciónde señales electromiográficas,”Undergraduate Thesis, UniversidadAutónoma de Yucatán, 2010.

2. S. Bela, R. Szabo, S. Ravi, U. Alessio,and K. Sai, “A Data Acquisition

and Signal Processing System forEMG and Acceleration Signals,” IEEEProceedings, 1990.

3. Y. Kim, S. Kim, H. Shim, S. Lee, and K.Kim, “A method for gait rehabilitationtraining using EMG fatigue analysis,”2013 Int. Conf. ICT Converg., pp. 52-55, Oct. 2013.

4. V. Siemionow, V. Sahgal, and G.H. Yue, “Single-Trial EEG-EMGcoherence analysis reveals musclefatigue-related progressive alterations incorticomuscular coupling,” IEEE Trans.Neural Syst. Rehabil. Eng., vol. 18, no.2, pp. 97-106, Apr. 2010.

5. P. Shenoy, K. J. Miller, B.Crawford, and R. N. Rao, “Onlineelectromyographic control of a roboticprosthesis,” IEEE Trans. Biomed.Eng., vol. 55, no. 3, pp. 1128-35, Mar.2008.

6. E. Mangieri, A. Ahmadi, K. Maharatna,S. A. Ahmad, and P. H. Chappell, “ANovel Analogue Circuit for ControllingProsthetic Hands,” IEEE, pp. 81-84,2008.

7. D. Peleg, E. Braiman, E. Yom-Tov,and G. F. Inbar, “Classification offinger activation for use in a roboticprosthesis arm,” IEEE Trans. NeuralSyst. Rehabil. Eng., vol. 10, no. 4, pp.290-3, Dec. 2002.

8. P. Kutilek, J. Hybl, J. Kauler, andS. Viteckova, “Prosthetic 6-DOF ArmControlled by EMG Signals andMulti-Sensor System,” Czech TechnicalUniversity in Prague, Faculty ofBiomedical Engineering, 2010.

9. P. K. Artemiadis and K. J.Kyriakopoulos, “An EMG-based robotcontrol scheme robust to time-varyingEMG signal features,” IEEE Trans. Inf.Technol. Biomed., vol. 14, no. 3, pp.582-8, May 2010.


10. C. Assad, M. Wolf, A. Stoica, and A. J.P. L. Biosleeve, “BioSleeve: a NaturalEMG-Based Interface for HRI,” IEEEHRI Proceedings pp. 69-70, 2013.

11. P. K. Artemiadis and K. J.Kyriakopoulos, “EMG-Based Control ofa Robot Arm Using Low-DimensionalEmbeddings,” IEEE Transactions OnRobotics, vol. 26, no. 2, pp. 393-398,2010.

12. T. Forbes, “Mouse HCI ThroughCombined EMG and IMU,” OpenAccess Master’s Theses , University ofRhode Island, 2013.

13. M. a C. Garcia, J. M. Y. Catunda, T.Lemos, L. F. Oliveira, L. a Imbiriba, andM. N. Souza, “An alternative approachin muscle fatigue evaluation from thesurface EMG signal,” Conf. Proc.Annu. Int. Conf. IEEE Eng. Med.Biol. Soc. IEEE Eng. Med. Biol. Soc.Annu. Conf., vol. 2010, pp. 2419-22,Jan. 2010.

14. E. Koutsos and P. Georgiou,“An analogue instantaneous medianfrequency tracker for EMG fatiguemonitoring,” 2014 IEEE Int. Symp.Circuits Syst., pp. 1388-1391, Jun.2014.

15. J. M. Fernández, R. C. Acevedo,And C. B. Tabernig, “Influenciade la fatiga muscular en laseñal electromiográfica de músculosestimulados eléctricamente,” Revista dela Escuela de Ingeniería de Antioquia,pp. 111-119, 2007.

16. L. Estrada, A. Torres, J. Garcia-Casado, G. Prats-Boluda, and R.Jane, “Characterization of laplaciansurface electromyographic signalsduring isometric contraction in bicepsbrachii,” Conf. Proc. IEEE Eng. Med.

Biol. Soc., vol. 2013, pp. 535-8, Jan.2013.

17. M. Knaflitz and P. Bonato, “Time-frequency methods applied to musclefatigue assessment during dynamiccontractions,” J. Electromyogr.Kinesiol., vol. 9, no. 5, pp. 337-350,Oct. 1999.

18. A. Searle and L. Kirkup, “A directcomparison of wet, dry and insulatingbioelectric recording electrodes,”Physiol. Meas., vol. 21, no. 2, pp.271-83, 2000.

19. D. a Gabriel, “Effects of monopolarand bipolar electrode configurations onsurface EMG spike analysis,” Med. Eng.Phys., vol. 33, no. 9, pp. 1079-85, Nov.2011.

20. P. Konrad, The ABC of EMG, Book, 1.4ed. Scottsdale, Arizona, Noraxon USAINC., 2006.

21. A. Phinyomark, S. Thongpanja,and H. Hu, “The Usefulness ofMean and Median Frequenciesin Electromyography Analysis,”Open access chapter, ComputationalIntelligence in ElectromyographyAnalysis - A Perspective on CurrentApplications and Future Challenges,INTECH 2012.

22. Y. Hotta and K. Ito, “Detection ofEMG-based muscle fatigue during cyclicdynamic contraction using a monopolarconfiguration,” Conf. Proc. IEEE Eng.Med. Biol. Soc., vol. 2013, pp. 2140-3,Jan. 2013.

23. N. C. Chesler and W. K. Durfee,“Surface EMG as a fatigue indicatorduring FES-induced isometric musclecontractions,” J. Electromyogr.Kinesiol., vol. 7, no. 1, pp. 27-37,Mar. 1997.

sistemadeadquisicióndeseñalessemg ... · correa-figueroa et al. sistema de adquisición de...

Documents