Implementación De Técnicas De Machine Learning Para El Diseño De Un Mecanismo Exoesqueleto Controlado Por Señales EMG

Palacios Pardo, Jorge Iván

Implementación De Técnicas De Machine Learning Para El Diseño De Un Mecanismo Exoesqueleto Controlado Por Señales EMG

dc.contributor.advisor	Martínez Vásquez, David Alejandro
dc.contributor.author	Palacios Pardo, Jorge Iván
dc.contributor.corporatename	Universidad Santo Tomás	spa
dc.contributor.cvlac	https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001560096	spa
dc.contributor.orcid	https://orcid.org/0000-0001-9750-2653	spa
dc.coverage.campus	CRAI-USTA Bogotá	spa
dc.date.accessioned	2025-01-22T15:24:47Z
dc.date.available	2025-01-22T15:24:47Z
dc.date.issued	2024
dc.description	El campo industrial requiere que sus trabajadores efectúen actividad física pesada, una de las actividades más comunes es el levantamiento y carga de objetos pesados, la cual requiere de gran activación muscular en los bíceps dependiendo del peso del objeto. El desarrollo incorrecto de dicha actividad puede resultar en heridas musculoesqueléticas como desgarres musculares y desarrollo de tendinitis por lo que es importante el desarrollo en forma adecuada de estas. Para ello se puede implementar el machine learning y datasets ya existentes de las señales de activación muscular (Electromiografía) de los bíceps para determinar cuando una persona hace un levantamiento erróneo y así prevenir una lesión muscular. Esto se desarrollará con la creación de un algoritmo clasificador mediante el lenguaje de programación Python y una base de datos de un trabajo previo con finalidad similar y el resultado de estos conlleva al desarrollo teórico de un exoesqueleto para el brazo que pueda reducir la tensión muscular del usuario cuando efectúe un movimiento que ponga en riesgo la integridad de los bíceps.	spa
dc.description.abstract	The industrial field requires that its workers effectuate heavy physical activity, one of the most common activities is the lifting and carrying of heavy objects, which requires great muscle activation on the biceps, depending on how heavy the object is. The incorrect development of such activity can result in skeletal-muscle injuries like muscle tears and the development of tendinitis, so it is important to develop these activities adequately. For this reason, machine learning and existing datasets of electromyography can be implemented to determine when a person is doing an incorrect lifting and thus prevent a muscular injury. This will be developed with the creation of a classifier algorithm through the programming language Python and a dataset from a previous study with a similar purpose, and the result will lead to the theoretical development of an arm exoskeleton that could reduce muscle tension of the user when they effectuate a movement that could risk the bicep’s integrity.	spa
dc.description.degreelevel	Pregrado	spa
dc.description.degreename	Ingeniero Electronico	spa
dc.format.mimetype	application/pdf	spa
dc.identifier.citation	Palacios Pardo, J. I. (2024). Implementación de técnicas de Machine Learning para el diseño de un mecanismo exoesqueleto controlado por señales EMG. [Trabajo de Grado, Universidad Santo Tomás]. Repositorio Institucional.	spa
dc.identifier.instname	instname:Universidad Santo Tomás	spa
dc.identifier.reponame	reponame:Repositorio Institucional Universidad Santo Tomás	spa
dc.identifier.repourl	repourl:https://repository.usta.edu.co	spa
dc.identifier.uri	http://hdl.handle.net/11634/59394
dc.language.iso	spa	spa
dc.publisher	Universidad Santo Tomás	spa
dc.publisher.faculty	Facultad de Ingeniería Electrónica	spa
dc.publisher.program	Pregrado Ingeniería Electrónica	spa
dc.relation.references	P. A. R. López, «Universidad Pontificia Bolivariana», "El riesgo de las lesiones musculares en el trabajo", UPB. https://www.upb.edu.co/es/noticias/lesiones-musculares-riesgos-entrabajadores (accedido el 18 de agosto de 2023)http://www.scielo.org.co/pdf/recis/v16n2/1692- 7273-recis-16-02-203.pdf (accedido el 18 de agosto de 2023).	spa
dc.relation.references	SciELO Colombia- Scientific Electronic Library Online. http://www.scielo.org.co/pdf/recis/v16n2/1697273-recis-16-02-203.pdf (accedido el 18 de agosto de 2023).	spa
dc.relation.references	https://www.mintrabajo.gov.co/mintrabajo-llama-la-atencion-al-sector-de-la-construccionpara-implementar-medidas-que-permitan-bajar-indices-de-accidentalidad (accedido el 18 de agosto de 2023).	spa
dc.relation.references	Noack Law Office. "Las lesiones más comunes de la industria manufacturera \| Noack Law Office". Noack Law Office. https://www.noacklawoffice.com (accedido el 18 de agosto de 2023).	spa
dc.relation.references	«Tendinitis - Síntomas y causas - Mayo Clinic», Top-ranked Hospital in the Nation – Mayo Clinic, 2023. dirección: https://www.mayoclinic.org/es/diseases-conditions/ tendinitis/symptoms-causes/syc-20378243	spa
dc.relation.references	E. Traumatología, «Prevención y rehabilitación de los desgarros musculares», Elgeadi Traumatología, dirección: https : / / elgeaditraumatologia . com / prevencion - rehabilitacion-desgarro-muscular/.	spa
dc.relation.references	S. S. Rasheed e I. H. Glob, «Classifying and Prediction for Patient Disease Using Machine Learning Algorithms», en 2022 3rd Information Technology To Enhance e-learning and Other Application (IT-ELA), 2022, págs. 196-200. DOI: 10.1109/IT-ELA57378.2022. 10107935.	spa
dc.relation.references	N. Unidas, «Objetivos de Desarrollo Sostenible», Naciones Unidas, 2023. dirección: https: //www.un.org/sustainabledevelopment/es/objetivos-de-desarrollosostenible/. 18 19	spa
dc.relation.references	«En febrero de 2023, el empleo en la construcción creció 5,1», Observatorio de Desarrollo Económico, 2023. dirección: https://observatorio.desarrolloeconomico. gov.co/construccion-bogota/en-febrero-de-2023-el-empleo-en-laconstruccion-crecio-51#:~:text=El%20n%C3%BAmero%20de%20personas% 20ocupadas,mil%20personas%20ocupadas%20en%202023..	spa
dc.relation.references	G. Li, D. Bai, G. Jiang et al., «Continuous dynamic gesture recognition using surface EMG signals based on blockchain-enabled internet of medical things», Information Sciences, vol. 646, pág. 119 409, 2023, ISSN: 0020-0255. DOI: https://doi.org/10.1016/ j.ins.2023.119409. dirección: https://www.sciencedirect.com/science/ article/pii/S0020025523009945.	spa
dc.relation.references	L. Wang, J. Fu, H. Chen y B. Zheng, «Hand gesture recognition using smooth wavelet packet transformation and hybrid CNN based on surface EMG and accelerometer signal», Biomedical Signal Processing and Control, vol. 86, pág. 105 141, 2023, ISSN: 1746-8094. DOI: https : / / doi . org / 10 . 1016 / j . bspc . 2023 . 105141. dirección: https : //www.sciencedirect.com/science/article/pii/S1746809423005748.	spa
dc.relation.references	K. H. Lee, J. Y. Min y S. Byun, «Electromyogram-Based Classification of Hand and Finger Gestures Using Artificial Neural Networks», Sensors, vol. 22, n.o 1, 2022, ISSN: 1424-8220. DOI: 10.3390/s22010225. dirección: https://www.mdpi.com/1424-8220/22/ 1/225.	spa
dc.relation.references	V. Khodadadi, F. Nowshiravan Rahatabad, A. Sheikhani y N. Jafarnia Dabanloo, «Nonlinear analysis of biceps surface EMG signals for chaotic approaches», Chaos, Solitons Fractals, vol. 166, pág. 112 965, 2023, ISSN: 0960-0779. DOI: https://doi.org/10.1016/j. chaos.2022.112965. dirección: https://www.sciencedirect.com/science/ article/pii/S0960077922011444.	spa
dc.relation.references	P. Xiong, C. Wu, H. Zhou, A. Song, L. Hu y X. P. Liu, «Design of an accurate end-of-arm force display system based on wearable arm gesture sensors and EMG sensors», Information Fusion, vol. 39, págs. 178-185, 2018, ISSN: 1566-2535. DOI: https://doi.org/10. 1016/j.inffus.2017.04.009. dirección: https://www.sciencedirect.com/ science/article/pii/S1566253517302695.	spa
dc.relation.references	M. Barfi, H. Karami, F. Faridi, Z. Sohrabi y M. Hosseini, «Improving robotic hand control via adaptive Fuzzy-PI controller using classification of EMG signals», Heliyon, vol. 8, n.o 12, e11931, 2022, ISSN: 2405-8440. DOI: https://doi.org/10.1016/j.heliyon. 2022.e11931. dirección: https://www.sciencedirect.com/science/article/ pii/S2405844022032194. 20	spa
dc.relation.references	B. Chen, Y. Zhou, C. Chen et al., «Volitional control of upper-limb exoskeleton empowered by EMG sensors and machine learning computing», Array, vol. 17, pág. 100 277, 2023, ISSN: 2590-0056. DOI: https://doi.org/10.1016/j.array.2023.100277. dirección: https://www.sciencedirect.com/science/article/pii/S2590005623000024.	spa
dc.relation.references	E. Trigili, S. Crea, M. Moisè et al., «Design and Experimental Characterization of a ShoulderElbow Exoskeleton With Compliant Joints for Post-Stroke Rehabilitation», IEEE/ASME Transactions on Mechatronics, vol. 24, n.o 4, págs. 1485-1496, 2019. DOI: 10.1109/TMECH. 2019.2907465.	spa
dc.relation.references	Y. A. Jarrah, M. G. Asogbon, O. W. Samuel et al., «High-density surface EMG signal quality enhancement via optimized filtering technique for amputees’ motion intent characterization towards intuitive prostheses control», Biomedical Signal Processing and Control, vol. 74, pág. 103 497, 2022, ISSN: 1746-8094. DOI: https://doi.org/10.1016/j. bspc.2022.103497. dirección: https://www.sciencedirect.com/science/ article/pii/S1746809422000192.	spa
dc.relation.references	R. Dubey, M. Kumar, A. Upadhyay y R. B. Pachori, «Automated diagnosis of muscle diseases from EMG signals using empirical mode decomposition based method», Biomedical Signal Processing and Control, vol. 71, pág. 103 098, 2022, ISSN: 1746-8094. DOI: https://doi.org/10.1016/j.bspc.2021.103098. dirección: https://www. sciencedirect.com/science/article/pii/S1746809421006959.	spa
dc.relation.references	A. Leone, G. Rescio, A. Manni, P. Siciliano y A. Caroppo, «Comparative Analysis of Supervised Classifiers for the Evaluation of Sarcopenia Using a sEMG-Based Platform», Sensors, vol. 22, n.o 7, 2022, ISSN: 1424-8220. DOI: 10 . 3390 / s22072721. dirección: https://www.mdpi.com/1424-8220/22/7/2721.	spa
dc.relation.references	O. Volk, A. Ratnovsky, S. Naftali y G. Singer, «Classification of tracheal stenosis with asymmetric misclassification errors from EMG signals using an adaptive cost-sensitive learning method», Biomedical Signal Processing and Control, vol. 85, pág. 104 962, 2023, ISSN: 1746-8094. DOI: https://doi.org/10.1016/j.bspc.2023.104962. dirección: https://www.sciencedirect.com/science/article/pii/S1746809423003956.	spa
dc.relation.references	Álvaro Ángel Orozco Gutiérrez, G. A. Betancourt Orozco, y E. Giraldo Suárez, «Determinación de movimientos a partir de señales electromiográficas utilizando máquinas de soporte vectorial»., Rev. Médica Risaralda, vol. 11, n.º 2, feb. 2005.	spa
dc.relation.references	J. Beunza, E. Sanz y E. Condés, Manual Práctico de Inteligencia Artificial en Entornos Sanitarios, 2a ed. Elsevier Espanol, 2023.	spa
dc.relation.references	A. Garcia, “Estudio experimental de diversos algoritmos de aprendizaje por refuerzo”, Universidad de Málaga, 2020.	spa
dc.relation.references	I. C. PÃ\copyrightrez Verona and L. Arco GarcÃ\-a, ‘Una revisiÃ\textthreesuperiorn sobre aprendizaje no supervisado de mÃ\copyrighttricas de distancia’, Revista Cubana de Ciencias InformÃ!`ticas, vol. 10, pp. 43–67, 12 2016.	spa
dc.relation.references	Andreas C. M¨uller & Sarah Guido. (2016). Introduction to Machine Learning with Python: A Guide for Data Scientists (1st ed.). O’Reilly	spa
dc.relation.references	H. Sahour, V. Gholami, J. Torkman, M. Vazifedan, and S. Saeedi, ‘Random forest and extreme gradient boosting algorithms for streamflow modeling using vessel features and tree-rings’, Environmental Earth Sciences, vol. 80, 11 2021.	spa
dc.relation.references	Y. Huang and L. Li, "Naive Bayes classification algorithm based on small sample set," 2011 IEEE International Conference on Cloud Computing and Intelligence Systems, Beijing, China, 2011, pp. 34-39, doi: 10.1109/CCIS.2011.6045027. keywords: {Text categorization;Classification algorithms;Bayesian methods;Training;Accuracy;Time frequency analysis;Naïve Bayes;Text classification;Poisson distribution;Classification accuracy;small sample set},	spa
dc.relation.references	E. M. Kumar Reddy, A. Gurrala, V. B. Hasitha y K. V. Rajesh Kumar, Introduction to Naive Bayes and a Review on Its Subtypes with Applications. Chapman Hall/CRC.	spa
dc.relation.references	S. V. M. Vishwanathan and M. Narasimha Murty, "SSVM: a simple SVM algorithm," Proceedings of the 2002 International Joint Conference on Neural Networks. IJCNN'02 (Cat. No.02CH37290), Honolulu, HI, USA, 2002, pp. 2393-2398 vol.3, doi: 10.1109/IJCNN.2002.1007516. keywords: {Support vector machines;Iterative algorithms;Kernel;Convergence;Support vector machine classification;Automation;Memory management;Machine learning algorithms;Machine learning;Symmetric matrices}	spa
dc.relation.references	G. Liu, S. Mao, and J. Kim, ‘A Mature-Tomato Detection Algorithm Using Machine Learning and Color Analysis’, Sensors, vol. 19, p. 2023, 04 2019.	spa
dc.relation.references	B. Parhami, "Voting algorithms," in IEEE Transactions on Reliability, vol. 43, no. 4, pp. 617-629, Dec. 1994, doi: 10.1109/24.370218. keywords: {Voting;Hardware;Algorithm design and analysis;Software algorithms;Redundancy;Distributed computing;Frequency;Computational complexity;Combinatorial mathematics;Fault tolerant systems}	spa
dc.relation.references	Mohammed Abdul Hafeez Khan, Rohan Varma Rudraraju, Swarnalatha Rajaguru, November 16, 2022, "Bicep Detection Using Electromyography and 3-Axis Accelerometer Data", IEEE Dataport, doi: https://dx.doi.org/10.21227/7n0e-jm71.	spa
dc.relation.references	A. P. Singh and S. Chaudhari, ‘Embedded machine learning-based data reduction in application-specific constrained IoT networks’, in Proceedings of the 35th Annual ACM Symposium on Applied Computing, Brno, Czech Republic, 2020, pp. 747–753.	spa
dc.relation.references	Trabajo del Bíceps braquial y su relación con el dolor de espalda - iespalda. (s.f.). iespalda. https://iespalda.com/trabajo-del-biceps-braquial-y-su-relacion-con-el-dolor-de-espalda/	spa
dc.relation.references	Advancer Technologies, “3-lead Muscle / Electromyography Sensor for Microcontroller Applications”, MyoWare™ Muscle Sensor (AT-04-001) Datasheet, 2015.	spa
dc.relation.references	“LM350 Datasheet PDF Download - ON Semiconductor”. DatasheetQ.com - Electronic Parts and Semiconductors Datasheet PDF Search Site. Accedido el 1 de junio de 2024. [En línea]. Disponible: https://www.datasheetq.com/datasheet-download/443474/1/ON-Semiconductor/LM350	spa
dc.rights	Atribución-NoComercial-SinDerivadas 2.5 Colombia	*
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2	spa
dc.rights.local	Abierto (Texto Completo)	spa
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/2.5/co/	*
dc.subject.keyword	Electromyography	spa
dc.subject.keyword	Muscle Activation	spa
dc.subject.keyword	Skeletal-muscle injury	spa
dc.subject.keyword	Machine Learning	spa
dc.subject.keyword	Dataset	spa
dc.subject.keyword	Classifier Algorithm	spa
dc.subject.keyword	Bicep	spa
dc.subject.keyword	Exoskeleton	spa
dc.subject.lemb	Ingeniería	spa
dc.subject.lemb	Ingeniería Electrónica	spa
dc.subject.lemb	Electricidad	spa
dc.subject.proposal	Electromiografía	spa
dc.subject.proposal	Activación Muscular	spa
dc.subject.proposal	Lesiones Musculoesqueléticas	spa
dc.subject.proposal	Machine Learning	spa
dc.subject.proposal	Dataset	spa
dc.subject.proposal	Algoritmo Clasificador	spa
dc.subject.proposal	Bíceps	spa
dc.subject.proposal	Exoesqueleto	spa
dc.title	Implementación De Técnicas De Machine Learning Para El Diseño De Un Mecanismo Exoesqueleto Controlado Por Señales EMG	spa
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.coarversion	http://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.drive	info:eu-repo/semantics/bachelorThesis
dc.type.local	Trabajo de grado	spa
dc.type.version	info:eu-repo/semantics/acceptedVersion