Uno de los principales retos en el diseño de prótesis de mano es poder establecer un control intuitivo que reduzca el esfuerzo del usuario durante su entrenamiento. Este trabajo presenta un esquema para identificar tareas de motricidad fina de la mano, agrupadas en movimientos de los dedos individuales y gestos para el agarre de objetos el cual se ha validado con sujetos amputados. Se han comparado diferentes métodos de selección de características y clasificadores para el reconocimiento de patrones mioeléctricos, utilizando cuatro electrodos superficiales. Las características de las señales en el dominio del tiempo y la frecuencia se han combinado con métodos no lineales basados en análisis de fractales, mostrando una diferencia significativa en comparación con los métodos expuestos en la literatura para clasificar tareas de fuerza. Los resultados con amputados mostraron una exactitud de hasta 99,4% en los movimientos individuales de los dedos, superior a la obtenida con los gestos de agarre, de hasta 93,3%. El sistema ha obtenido una tasa de acierto promedio de 86,3% utilizando máquinas de soporte vectorial (SVM), seguido muy de cerca por K-vecinos más cercanos (KNN) con 83,4%. Sin embargo, KNN ha obtenido un mejor rendimiento global, debido a que es más rápido que SVM, lo que representa una ventaja para aplicaciones en tiempo real. El método aquí propuesto ofrece una mayor funcionalidad en el control de prótesis de mano, lo que mejoraría su aceptación por parte de los amputados.
Intuitive prosthesis control is one of the most important challenges in order to reduce the user effort in learning to use an artificial hand. This work presents the development of a myoelectric pattern recognition system for myoelectric weak signals able to discriminate dexterous hand movements using a reduced number of electrodes. The system was evaluated in six forearm amputees and the results were compared with the performance of able-bodied subjects. Different methods were analyzed to classify individual fingers flexion, hand gestures and different grasps using four electrodes and considering the low level of muscle contraction in these tasks. Multiple features of sEMG signals were also analyzed considering traditional magnitude-based features and fractal analysis. Statistical significance was computed for all the methods using different set of features, for both groups of subjects (able-bodied and amputees). For amputees, results showed accuracy up to 99.4% for individual finger movements, higher than the achieved by grasp movements, up to 93.3%. Best performance was achieved using support vector machine (SVM), followed very closely by K-nearest neighbors (KNN). However, KNN produces a better global performance because it is faster than SVM, which implies an advantage for real-time applications. The results show that the method here proposed is suitable for accurately controlling dexterous prosthetic hands, providing more functionality and better acceptance for amputees.
Al-Timemy et al., 2013, Arjunan and Kumar, 2010, Burck et al., 2011, Castro et al., 2015, Ceres et al., 2008, Chowdhury et al., 2013, Cipriani et al., 2011, Englehart et al., 2001, Guo et al., 2015, Hermens et al., 2000, Hu et al., 2001, Hudgins et al., 1993, Japkowicz and Shah, 2014, Kanitz et al., 2011, Khushaba et al., 2012, Kumar et al., 2013, Light et al., 2002, Losier et al., 2011, Matrone et al., 2012, Naik et al., 2010, Oskoei and Hu, 2008, Peerdeman et al., 2011, Peleg et al., 2002, Phinyomark et al., 2012a, Phinyomark et al., 2012b, Pons et al., 2005, Sensinger et al., 2009, Tenore et al., 2009, Theodoridis and Koutroumbas, 2008, Tsenov et al., 2006, Villarejo et al., 2014a, Villarejo et al., 2013, Villarejo et al., 2014b, Yang et al., 2009 and Zecca et al., 2002.