Las amputaciones de extremidades superiores pueden producir diversos grados de incapacidad en la persona afectada, esto es exacerbado aún más, si se presenta durante un periodo de su vida laboral activa, por esta razón es de importancia social el estudio de las prótesis y algoritmos que ayuden a un mejor control de estas por parte del usuario. En esta investigación, se propone una arquitectura basada en redes neuronales recurrentes del tipo Long Short-Term Memory y redes convolucionales para la clasificación de señales electromiográficas, con aplicaciones para control de prótesis de mano. La red propuesta clasifica tres tipos de agarres realizados con la mano: cilíndrico, esférico y de gancho. El modelo propuesto al ser evaluado mostró una eficiencia (accuracy) del 89 %, en contraste con una red neuronal artificial basada en capas completamente conectadas que solo obtuvo una eficiencia del 80% en la predicción de los agarres. El presente trabajo se limita solamente a evaluar la red ante una entrada de electromiograma y no se implementó un sistema de control para la prótesis de la mano. Así, una arquitectura de redes convolucionales para el control de prótesis de mano que pueden ser entrenadas con las señales del sujeto.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.