Software BIOMEPRO para acondicionamiento de señales EMG superficiales y obtención de parámetros relevantes

Autores/as

  • Robin Blanco Universidad Militar Nueva Granada
  • Andrés Cifuentes Universidad Militar Nueva Granada
  • Mauricio Plaza Universidad Militar Nueva Granada

DOI:

https://doi.org/10.18667/cienciaypoderaereo.531

Palabras clave:

electromiografía, envoltura RMS, Java, procesamiento de señales

Resumen

Este artículo presenta el desarrollo de BioMePro, una herramienta de software para el Procesamiento de Muestras de Electromiografía (EMG) superficial, implementado en JAVA, un lenguaje multiplataforma, orientado a objetos y de código interpretado, lenguaje escogido para facilitar la portabilidad del software en mención. BioMePro facilita el trabajo de extracción de características de señales EMG superficiales, útiles para sistemas de inferencia como redes neuronales o máquinas de soporte vectorial, a partir de una interfaz clara y fácil de usar con un conjunto variado de opciones que permiten seleccionar el mejor procesamiento que se requiera para una aplicación específica. Como sistema de adquisición de los datos se utilizó el equipo BiosignalPlux®, las señales de EMG de prueba del software fueron capturadas por medio de la implementación de un protocolo de registro de movimientos de pronación en antebrazo derecho en pacientes jóvenes sanos, protocolo elegido por su simplicidad de implementación y fiabilidad en las muestras.

Descargas

Los datos de descarga aún no están disponibles.

Biografía del autor/a

  • Robin Blanco, Universidad Militar Nueva Granada
    Ingeniero Mecatrónico de la Universidad Nacional de Colombia, estudiante de la Maestría en Ingeniería Mecatrónica de la Universidad Militar Nueva Granada. 
  • Andrés Cifuentes, Universidad Militar Nueva Granada
    Ingeniero Mecatrónico de la Universidad Nacional de Colombia, Magíster en Ingeniería Mecatrónica de la Universidad Militar Nueva Granada.
  • Mauricio Plaza, Universidad Militar Nueva Granada
    Ingeniero Eléctrico de la Universidad de los Andes, Doctor en Ingeniería con énfasis en Realidad Virtual y Bioingeniería. Investigador de la Universidad Militar Nueva Granada. 

Referencias

Baturone, I., & Gersnoviez, A. (2010). Diseño de Sistemas Neuro-Difusos para Control de Robots mediante XFUZZY 3. Tecnología, aprendizaje y enseñana de la electrónica. Sevilla.

Blanco, R. (2016). Diseño de un sistema de predicción del rendimiento deportivo a partir de técnicas de inteligencia computacional en selecciones UMNG. Bogotá: Propuesta de Tesis, Maestría en Ingeniería Mecatrónica, Universidad Militar Nueva Granada.

D. K., S. G., S. K., S. G., & B. G. (2015). Design of Equiripple Linear-Phase FIR Filter Using Computer Aided Method. Communications and Signal Processing (ICCSP), (págs. 0001-0005). Melmaruvathur, India.

Dieter, G. E. (2009). Engineering Design. Boston: McGraw-Hill.

Figueroa-García, I., Aguilar-Leal, O., Hernández-Reynoso, A., Madrigal, J., Fuentes, R., Huegel, J., & García-Gonzalez, A. (2014). Platform for the Study of Virtual Task-Oriented Motion and its evaluation by EEG and EMG Biopotentials. IEEE Engineering in Medicine and Biology Society, 36th Annual International Conference. Chicago, USA.

https://doi.org/10.1109/EMBC.2014.6943805

Hargrove, L. J., Englehart, K., & Hudgins, B. (2007). A Comparison of Surface and Intramuscular Myoelectric Signal Classification. IEEE transactions on biomedical engineering, vol. 54, no. 5.

https://doi.org/10.1109/TBME.2006.889192

Kazerooni, H., & Strausser, K. A. (2011). The Development and Testing of a Human Machine Interface for a Mobile Medical Exoskeleton. 2011 IEEE/RSJ International Conference on Intelligent Robots and Systems. San Francisco, USA.

https://doi.org/10.1109/IROS.2011.6095025

Momen, K., Krishnan, S., & Chau, T. (2007). Real-Time Classification of Forearm Electromyographic Signals Corresponding to User-Selected Intentional Movements for Multifunction Prosthesis Control. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 15(4), 535-542.

https://doi.org/10.1109/TNSRE.2007.908376

Princeton University. (16 de 11 de 2016). Introduction To Programming in Java. Obtenido de http://introcs.cs.princeton.edu/java/97data/

R. B., A. C., & M. P. (2016). Diseño de un sistema difuso para el reconocimiento de la actividad muscular. IJIAS, 19(2).

Romo, H. A., Realpe, J. C., & Jojoa, P. E. (2007). Análisis de Señales EMG Superficiales y su Aplicación en Control de Prótesis de Mano. 14(1).

Saikia, A., Mazumdar, S., Sahai, N., Paul, S., & Bhatia, D. (2016). Comparative Study and Feature Extraction of the Muscle Activity Patterns in Healthy Subjects. 3rd International Conference on Signal Processing and Integrated Networks. Noida, India.

https://doi.org/10.1109/SPIN.2016.7566678

Universidad Militar Nueva Granada. (2016). Manual de Usuario de Software BioMePro. Bogotá.

Descargas

Publicado

2016-10-31

Número

Sección

Tecnología e Innovación

Cómo citar

Software BIOMEPRO para acondicionamiento de señales EMG superficiales y obtención de parámetros relevantes. (2016). Ciencia Y Poder Aéreo, 11(1). https://doi.org/10.18667/cienciaypoderaereo.531