Generación de señales mioeléctricas para rehabilitación de miembros inferiores mediante lógica difusa y machine learning

Carlos Alberto Bacilio Díaz

Por favor, use este identificador para citar o enlazar este ítem: https://ri-ng.uaq.mx/handle/123456789/13499

Registro completo de metadatos

Campo DC	Valor	Lengua/Idioma
dc.rights.license	https://creativecommons.org/licenses/by-nc-nd/4.0	es_ES
dc.contributor	Andras Takacs	es_ES
dc.creator	Carlos Alberto Bacilio Díaz	es_ES
dc.date.accessioned	2026-11-10T19:30:46Z	-
dc.date.available	2026-11-10T19:30:46Z	-
dc.date.issued	2026-10-23	-
dc.identifier.uri	https://ri-ng.uaq.mx/handle/123456789/13499	-
dc.description	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.	es_ES
dc.format	pdf	es_ES
dc.format.extent	1 recurso en lìnea (59 Páginas)	es_ES
dc.format.medium	computadora	es_ES
dc.language.iso	spa	es_ES
dc.publisher	Universidad Autonoma de Querétaro	es_ES
dc.relation.requires	Si	es_ES
dc.rights	openAccess	es_ES
dc.subject	Señales electromiográficas	es_ES
dc.subject	Aprendizaje automático	es_ES
dc.subject	Lógica difusa	es_ES
dc.subject.classification	INGENIERÍA Y TECNOLOGÍA	es_ES
dc.title	Generación de señales mioeléctricas para rehabilitación de miembros inferiores mediante lógica difusa y machine learning	es_ES
dc.type	Tesis de maestría	es_ES
dc.creator.tid	ORCID	es_ES
dc.contributor.tid	ORCID	es_ES
dc.creator.identificador	0009-0006-1441-3035	es_ES
dc.contributor.identificador	0000-0003-2200-307X	es_ES
dc.contributor.role	Director	es_ES
dc.degree.name	Maestría en Ciencias en Inteligencia Artificial	es_ES
dc.degree.department	Facultad de Ingeniería	es_ES
dc.degree.level	Maestría	es_ES
dc.format.support	recurso en línea	es_ES
dc.matricula.creator	326904	es_ES
dc.folio	IGMAC-326904	es_ES
Aparece en:	Maestría en Ciencias en Inteligencia Artificial

Archivos:

Fichero	Descripción	Tamaño	Formato
IGMAC-326904.pdf		3.26 MB	Adobe PDF	Visualizar/Abrir

Mostrar el registro sencillo del ítem