Desarrollo de un método de entrenamiento para el control de una prótesis mioeléctrica transradial - integrando métodos de Machine Learning - resumen de resultados y metodología

Aug 6, 2026

Subir por Aurora

El documento presenta el desarrollo de un método de entrenamiento para controlar una prótesis transradial mediante técnicas de Machine Learning, empleando señales electromiográficas (EMG) para generar respuestas inmediatas y mejorar la precisión frente a enfoques de control limitado a una sola articulación. Se describe el prototipo con adquisición y procesamiento de EMG, conversión analógica-digital y ejecución en Raspberry Pi. Para el entrenamiento se construye un conjunto de 250 señales, empleando un modelo LSTM y evaluando desempeño con loss, accuracy, matriz de confusión y curvas ROC. Se reportan resultados de fabricación e integración del prototipo.

IdiomaSpanish

CategoríaInvestigación e Informes

FormatoPDF

Páginas5

Tiempo de lectura8 min

AccesoGratis para descargar

Tabla de contenidos

Introducción

Contexto y necesidad de entrenamiento

Objetivo del proyecto

Metodología

Diseño del prototipo y cadena de adquisición

Generación del conjunto de datos

Modelo LSTM y métricas de evaluación

Resultados

Impresión 3D e integración electrónica

Registro de movimientos y dataset

Universidad Iberoamericana Puebla Repositorio Institucional [http://repositorio.iberopuebla.mx](http://repositorio.iberopuebla.mx) ExpoIbero Otoño 2024 Desarrollo de un método de entrenamiento para el control de unaprótesis mioeléctrica transradial para personas con amputación del miembro superior derecho integrando métodos de Machine Learning Cano Rodríguez, Diego Gael 2024 [https://hdl.handle.net/20.500.11777/6128](https://hdl.handle.net/20.500.11777/6128)[ ](https://hdl.handle.net/20.500.11777/6128)[http://repositorio.iberopuebla.mx/licencia.pdf](http://repositorio.iberopuebla.mx/licencia.pdf) Desarrollo de un método de entrenamiento para el control de una prótesis mioeléctrica transradial para personas con amputación del miembro superior derecho integrando métodos de Machine Learning Cano Rodríguez Diego Gael (séptimo semestre en Ingeniería Biomédica)1, Eugenio Reyes Carlos Sebastián (séptimo semestre en Ingeniería Biomédica)1, García Sánchez Alexia (séptimo semestreen Ingeniería Biomédica)1, Merino Arroyo Carlos Miguel (profesor responsable)1, Moreno Hernández Ana (profesor asesor) 1 y Acevedo Escalante Francisco Manuel (profesor asesor)1. 1 Universidad Iberoamericana Puebla, San Andrés Cholula, Puebla, México Palabras clave: Aprendizaje supervisado, Machine Learning, Mioeléctrico, Procesamiento de señales, Prótesis. * Autor Corresponsal: [alexia.garcia.sanchez@iberopuebla.mx](alexia.garcia.sanchez@iberopuebla.mx) Introducción En México, aproximadamente 780 mil personas viven con alguna forma de amputación y más de 5 millones tienen una discapacidad motriz (INEGI). La Academia Nacional de Cirugía reporta unas 75 amputaciones diarias, señalando un aumento en su incidencia y la necesidad urgente de atención. Sin embargo, el sistema de salud enfrenta retos importantes: el Instituto Mexicano del Seguro Social (IMSS) solo cubre amputaciones laborales y el Sistema Nacional para el Desarrollo Integral de la Familia (DIF Nacional) tiene una capacidad limitada para fabricar prótesis por restricciones presupuestarias. Instituciones como el Instituto Nacional de Rehabilitación (INR), el Hospital Militar y el Centro de Rehabilitación e Inclusión Infantil Teletón (CRIT) ayudan, pero no logran cubrir la demanda [1] . Esto impacta la salud y economía, debido al alto costo del equipo médico y tratamientos, que varía según el tipo de amputación y rehabilitación [2], [3] . Otro desafío es la falta de personal capacitado, lo que obliga a los especialistas a desplazarse para entrenar a los usuarios en el uso de prótesis, aumentando los costos [1] . Este proyecto busca desarrollar un método de entrenamiento para controlar una prótesis transradial mediante machine learning, interpretando y adaptando las señales electromiográfícas (EMG) del usuario para generar respuestas inmediatas. A diferencia de los sistemas de control directo actuales, que limitan el control a una sola articulación, el machine learning permite una precisión y adaptabilidad superiores al manejar datos etiquetados [4-7] . Metodología Se diseñó un prototipo funcional de prótesis que integra un circuito de control, con un módulo de adquisición y procesamiento de señales EMG y una Raspberry Pi. El sistema utiliza electrodos superficiales para captar señales de contracción muscular estos electrodos se conectan al módulo sensor muscular que se encarga de amplificar y filtrar lasseñales, el módulo integra un amplificador de instrumentación AD8221 con una ganancia variable, los filtros que utiliza son filtros pasa altas con una frecuencia de corte de 15 Hz [8] . Estas señales se convierten de analógicas a digitales mediante un convertidor ADC integrado en un Arduino UNO, que enviar las señales a la Raspberry Pi, donde un modelode machine learning interpreta los patrones de actividad muscular para activar los actuadores de la prótesis, lograndomovimientos específicos [9],[10] . Para entrenar el modelo, se generó una base de datos con 250 señales EMG

Preguntas frecuentes

Cuál es el objetivo principal del proyecto presentado en el documento?

Desarrollar un método de entrenamiento para controlar una prótesis transradial usando Machine Learning, interpretando y adaptando señales EMG para generar respuestas inmediatas.

Cómo se adquieren y procesan las señales EMG en el sistema?

Se captan con electrodos superficiales, un módulo amplifica y filtra las señales (con filtros pasa altas), luego se convierten de analógicas a digitales con un ADC en Arduino UNO y se envían a una Raspberry Pi.

Qué modelo de Machine Learning se utiliza y cómo se evalúa su desempeño?

Se emplea un modelo LSTM para analizar datos secuenciales de EMG. Se evalúa con loss y accuracy, matriz de confusión y curvas ROC por clase usando datos etiquetados en la etapa de test.

Aug 6, 2026

Subir por Aurora