Por favor, use este identificador para citar o enlazar este ítem: https://ri-ng.uaq.mx/handle/123456789/3769
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.rights.licensehttp://creativecommons.org/licenses/by-nc-nd/4.0es_ES
dc.contributorLuz Maria Sanchez Reyeses_ES
dc.creatorMarcos Romo Aviléses_ES
dc.date2023-08-31-
dc.date.accessioned2022-08-09T13:11:30Z-
dc.date.available2022-08-09T13:11:30Z-
dc.date.issued2023-08-31-
dc.identifier.urihttp://ri-ng.uaq.mx/handle/123456789/3769-
dc.description"El procesamiento de biopotenciales es parte fundamental de la investigación médica, ya que brinda la posibilidad de desarrollar nuevos dispositivos y técnicas para el diagnóstico, tratamiento, cuidado y rehabilitación de los pacientes, en la mayoría de los casos de forma no invasiva. Por lo tanto, la creación de nuevos métodos de análisis para bioseñales ayuda a mejorar la seguridad, la eficiencia y la calidad de los procesos. Las bioseñales deben entenderse como la actividad eléctrica que presentan algunas células, como las células cardíacas, las células nerviosas o las células musculares. Por lo anterior, el estudio de las señales musculares o señales EMG (electromiografía) resulta en una de las fuentes de conocimiento más importantes sobre la función de los tejidos que componen el sistema, brindando información sobre el flujo de datos que atraviesa el sistema nervioso y la consiguiente activación de diferentes músculos. Esta señal puede apoyar en la detección de algunas enfermedades relacionadas con la actividad eléctrica, como distrofia muscular, esclerosis y neuropatías. Además, esta señal se puede implementar en sistemas de control, por ejemplo, en robótica, prótesis o incluso en áreas como la telemedicina e interfases humano-máquina. Las señales EMG son aleatorias, no estacionarias, no lineales. Por tanto, es necesario encontrar un patrón que englobe la señal en general y no los datos independientes que la componen; por ello, los sistemas de entre ellos se encuentran las máquinas reconocimiento de patrones EMG de última generación suelen contener bloques de preprocesamiento, segmentación, extracción de características, reducción de dimensionalidad, selección de características y clasificación. El siguiente trabajo se centra en la selección de características, el cual es uno de los principales problemas en la clasificación de señales EMG, ya que al reducir el número de predictores necesarios para distinguir entre clases es posible disminuir la complejidad del sistema de clasificación. Debido a esto recientemente se han experimentado con diversos métodos de selección, sin embargo, el espacio de características inicial suele estar limitado lo que no permite comprobar el verdadero potencial de los algoritmos de selección \cite{computation7010012}. En este estudio, se aplican algoritmos genéticos para la selección de un espacio de características de entre las veintiséis características más utilizadas del dominio del tiempo."es_ES
dc.formatAdobe PDFes_ES
dc.language.isospaes_ES
dc.relation.requiresNoes_ES
dc.rightsEn Embargoes_ES
dc.subjectSVMes_ES
dc.subjectAlgoritmo genéticoes_ES
dc.subjectEMGes_ES
dc.subjectClasificaciónes_ES
dc.subject.classificationINGENIERÍA Y TECNOLOGÍAes_ES
dc.titleClasificación de señales mioeléctricas por medio de algoritmos genéticos y máquinas de soporte de vectoreses_ES
dc.typeTesis de maestríaes_ES
dc.creator.tidClave CV CONACyTes_ES
dc.contributor.tidcurpes_ES
dc.creator.identificador922297es_ES
dc.contributor.identificadorSARL950425MQTNYZ07es_ES
dc.contributor.roleDirectores_ES
dc.degree.nameMaestría en Ciencias (Instrumentación y Control)es_ES
dc.degree.departmentFacultad de Ingenieríaes_ES
dc.degree.levelMaestríaes_ES
Aparece en: Maestría en Ciencias (Instrumentación y Control)

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
RI006792.pdf6.37 MBAdobe PDFPortada
Visualizar/Abrir
Mostrar el registro sencillo del ítem


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.