Por favor, use este identificador para citar o enlazar este ítem:
https://ri-ng.uaq.mx/handle/123456789/13499| Título: | Generación de señales mioeléctricas para rehabilitación de miembros inferiores mediante lógica difusa y machine learning |
| Autor(es): | Carlos Alberto Bacilio Díaz |
| Colaborador(es): | Andras Takacs [Director] |
| Palabras clave: | Señales electromiográficas Aprendizaje automático Lógica difusa |
| Área: | INGENIERÍA Y TECNOLOGÍA |
| Fecha de publicación : | 23-oct-2026 |
| Editorial : | Universidad Autonoma de Querétaro |
| Páginas: | 1 recurso en lìnea (59 Páginas) |
| Folio RI: | IGMAC-326904 |
| Facultad: | Facultad de Ingeniería |
| Programa académico: | Maestría en Ciencias en Inteligencia Artificial |
| Resumen: | La debilidad muscular en extremidades inferiores representa una barrera para la marcha segura y autónoma. La detección oportuna de anomalías mioeléctricas y la respuesta de estimulación adecuada son esenciales para asistir el movimiento y prevenir caídas. Se planteó desarrollar un sistema inteligente capaz de identificar movimientos anómalos durante la marcha y generar voltajes de estimulación controlados. El objetivo consistió en diseñar un sistema modular basado en aprendizaje automático y lógica difusa para clasificar señales electromiográficas (sEMG por sus siglas en inglés) y asistir la marcha mediante activación muscular dirigida. Se utilizó una base de datos de señales EMG adquiridas con sensores superficiales durante distintas fases del ciclo de marcha. Las señales fueron preprocesadas, limpiadas y convertidas a vectores de características estadísticas. Posteriormente se aplicaron diversos modelos de clasificación supervisada y se seleccionó el Análisis Discriminante Cuadrático (QDA por sus siglas en inglés) por su desempeño superior con una precisión de 93.33 %. Para el control de estimulación, se implementó un sistema difuso con funciones de pertenencia gaussianas que asigna voltajes de salida en función de la intensidad de la anomalía detectada. Se establecieron reglas simples para estimular el músculo tibial anterior ante movimientos dorsales y el músculo de la pantorrilla en caso de movimientos plantares. La validación incluyó simulaciones con entradas aleatorias en el rango [−5, 5] representando variabilidad fisiológica. Se generaron voltajes diferenciados por fase de marcha y se calculó el error cuadrático medio (RMSE por sus siglas en inglés), obteniendo un valor de 21.21 % para el tibial anterior y 0.57 % para la pantorrilla. Los resultados sugieren que la combinación de modelos clasificadores precisos con sistemas difusos puede asistir de manera eficiente a individuos con alteraciones musculares, generando respuestas adaptativas durante la marcha. |
| URI: | https://ri-ng.uaq.mx/handle/123456789/13499 |
| Aparece en: | Maestría en Ciencias en Inteligencia Artificial |
Archivos:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| IGMAC-326904.pdf | 3.26 MB | Adobe PDF | Visualizar/Abrir |
Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.