Revista de Ciencias Tecnológicas (RECIT). Volumen 3 (1): 10-22
Revista de Ciencias Tecnológicas (RECIT). Universidad Autónoma de Baja California ISSN 2594-1925
Volumen 6 (4): e318. Octubre-Diciembre. 2023. https://doi.org/10.37636/recit.v6n4e318
ISSN: 2594-1925
1
Artículo de investigación
Evaluación de la eficacia de PCA e ICA en la mejora del reconocimiento
de movimientos musculares a partir de señales EMG crudas
Evaluation of the effectiveness of PCA and ICA in improving muscle movement
recognition from raw EMG signals
José Alejandro Amézquita García1, Miguel Enrique Bravo Zanoguera2, Fabián Natanael Murrieta-Rico2
1Facultad de Ingeniería, Universidad Autónoma de Baja California, Blvd. Benito Juárez S/N CP 21280, Mexicali, Baja
California, México
2Universidad Politécnica de Baja California, Ingeniería Mecatrónica, Mexicali, Baja California, México
Autor de correspondencia: Fabián Natanael Murrieta Rico, Facultad de Ingeniería, Universidad Politécnica de Baja California, Ingeniería
Mecatrónica, Mexicali, Baja California, México. E-mail: fnmurrietar@upbc.edu.mx. ORCID: https: 0000-0001-9829-3013.
Enviado: 16 de Agosto del 2023 Aceptado: 11 de Septiembre del 2023 Publicado: 6 de Octubre 2023
Resumen. - En la última década el desarrollo de modelos de clasificación a través de aprendizaje automático para control de dispositivos protésicos
multifuncionales ha ido en aumento. La electromiografía (EMG) son registros producidos por las fibras musculares de forma natural al realizar
movimientos, de modelarse podrían tener un papel de forma más activa en este tipo de control. Estas señales son utilizadas para control de
dispositivos/aplicaciones, el problema con estos modelos es la naturaleza estocástica de la señal, la variabilidad entre sujetos y la comunicación
cruzada inherente que los vuelve inexactos ante un número alto de movimientos. La naturaleza estocástica y la variabilidad de la señal ya son
ampliamente estudiadas, sin embargo, no existen aún resultados definitivos que describan modelos de clasificación de movimientos generalizables.
Aquí se estudian dos bases de datos disponibles en la red CapgMyo y the Ninapro project, se evalúan las características de estas, teniendo como
objetivo investigar la variabilidad de la señal muscular entre sujetos, los factores que la modifican y como afecta el uso de análisis de componentes
principales (PCA) y el análisis de componentes independientes (ICA) a la información del EMG en modelos de clasificación. Se realizó una
comparación entre los resultados en términos de porcentajes de reconocimiento de métodos clásicos de aprendizaje automático como el análisis
discriminante lineal (LDA) y el cuadrático (QDA) utilizando técnicas de trasformación a nuevos espacios introduciendo la posibilidad de realizar
una reducción de la dimensionalidad con PCA e ICA, algoritmos usualmente utilizados para resolver problemas como la separación ciega de fuentes
(BSS) que es aplicable al fenómeno presentado en señales musculares y su adquisición a través de electrodos superficiales. Los resultados pueden
evaluarse a través del porcentaje de reconocimiento de los modelos de clasificación creados, estos muestran que para señales crudas de EMG los
métodos de PCA e ICA son útiles para realizar una reducción de la dimensionalidad de los datos sin aportar un aumento significativo en los
porcentajes de reconocimiento. Se demostró que los porcentajes de reconocimiento en la clasificación de los movimientos para la base de datos
Capgmyo fueron superiores gracias a las características que la definen, se obtuvo un mayor porcentaje de reconocimiento que va del 72.5% al
87.9% con QDA, y del 82.8 al 90% para QDA con PCA. La aportación principal es la evaluación de la eficacia de algoritmos como PCA e ICA en
tareas de aprendizaje automático con datos crudos de EMG. Como trabajo futuro esta ir plasmando las bases para reducir los efectos de la
comunicación cruzada en los registros de EMG.
Palabras clave: EMG; Comunicación cruzada; Aprendizaje Automático; Minería de datos.
Abstract. - In the last decade, the development of classification models through machine learning for the control of multifunctional prosthetic devices
has been increasing. Electromyography (EMG) are recordings produced by muscle fibers naturally when performing movements; if modeled, they
could play a more active role in this type of control. These signals are used to control devices/applications. The problem with these models is the
stochastic nature of the signal, the variability between subjects and the inherent cross-communication that makes them inaccurate when faced with
a high number of movements. The stochastic nature and variability of the signal are already widely studied, however, there are still no definitive
results that describe generalizable movement classification models. Here, two databases available on the CapgMyo network and the Ninapro project
are studied, their characteristics are evaluated, with the objective of investigating the variability of the muscle signal between subjects, the factors
that modify it and how the use of analysis affects principal components (PCA) and independent component analysis (ICA) to EMG information in
classification models. A comparison was made between the results in terms of recognition percentages of classic machine learning methods such as
linear discriminant analysis (LDA) and quadratic analysis (QDA) using transformation techniques to new spaces introducing the possibility of
performing a dimensionality reduction. with PCA and ICA, algorithms usually used to solve problems such as blind source separation (BSS), which
is applicable to the phenomenon presented in muscle signals and their acquisition through surface electrodes. The results can be evaluated through
the recognition percentage of the classification models created, these show that for raw EMG signals the PCA and ICA methods are useful to perform
a reduction in the dimensionality of the data without providing a significant increase in the recognition percentages. It was shown that the recognition
percentages in the classification of movements for the Capgmyo database were higher thanks to the characteristics that define it, a higher recognition
percentage was obtained ranging from 72.5% to 87.9% with QDA, and 82.8% to 90% for QDA with PCA. The main contribution is the evaluation
of the effectiveness of algorithms such as PCA and ICA in machine learning tasks with raw EMG data. Future work is to lay the foundations to
reduce the effects of cross-communication in EMG recordings.
Keywords: EMG; Cross communication; Machine Learning; Data mining.
2 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 6 (4): e318
1. Introducción
En las últimas décadas se ha buscado descifrar la
forma en que se genera el movimiento musculo
esquelético haciendo énfasis en el control de
movimientos precisos como los realizados por
las manos, siendo parte indispensable en el actuar
y en la vida diaria de una persona. Se ha intentado
entender qué tipo de control aplica el sistema
nervioso central para controlar el movimiento
naturalmente. Actualmente es de interés conocer
estos mecanismos ya que permitirían generar
sistemas protésicos multifuncionales, generar o
mejorar terapias de rehabilitación o generar
sistemas de control más intuitivos para
dispositivos electrónicos y aplicaciones. Como
se menciona en [1] el principal objetivo en la
robótica de rehabilitación es desarrollar un
sistema que pueda decidir cuál es la intención de
movimiento deseada por el usuario para efectuar
sus actividades diarias. Con este objetivo se
planteó la necesidad de analizar las señales
musculo esqueléticas, como estas se generan,
como se pueden adquirir de la forma más fiel
posible para su posterior análisis, que tan
importante es el lugar de adquisición [2,3], con
qué tipo de sistema podría realizarse una buena
adquisición de datos de electromiografía [4], que
tipo de resolución es necesaria en los datos para
extraer la información necesaria, que tipo de
métodos son los adecuados para extraer la
información que harían que los movimientos se
vuelvan diferenciables entre sí [5, 6], en fin hasta
ahora se conocen algunas pistas sobre la
generación y la naturaleza de esta señal, sin
embargo también se sabe que el camino para
entender este complejo sistema de control es aún
largo y trabajos como este permiten entender un
poco más el panorama general de estos
mecanismos. Existen trabajos que se han
encargado de dividir y clasificar los diferentes
movimientos de la mano, se sabe que los
movimientos podrían ser casi indiferenciables o
completamente diferenciables dependiendo del
movimiento realizado, se ha descrito en [1] que
la taxonomía de los movimientos de la mano es
importante para una amplia gama de campos en
la ciencia, rehabilitación, control de dispositivos,
de aplicaciones de prótesis y robótica. Existen
trabajos que intentan crear clasificaciones
ordenadas y jerárquicas de los movimientos en
función a la electromiografía como se describe en
[7,8], otros trabajos tratan de crear estas
clasificaciones de movimiento no solo con
electromiografía sino utilizando los datos de la
cinemática del movimiento de cada una de las
articulaciones de la mano como en [1,9], para
generar clasificaciones de los movimientos
realizados. Es importante mencionar que este
tipo de clasificaciones describirán las semejanzas
entre grupos de movimientos, permitiéndonos
seleccionar movimientos que sean lo más
diferenciable posible, para de esta forma
facilitarles el trabajo a los clasificadores.
También encontramos trabajos donde se
encargan de categorizar y numerar las
actividades y los movimientos de mano que más
son utilizados en el día por una persona [7]. Es
necesario contar con estas consideraciones para
planear los movimientos considerados dentro de
una base de datos. Sabiendo que las prótesis
multifuncionales pueden actualmente reproducir
un número limitado de movimientos.
En este trabajo se plantea evaluar 2 bases de
datos libres conocidas por los integrantes de la
comunidad científica que estudian los
movimientos de la mano. Esto con el fin de
analizar la forma en que podríamos controlar el
movimiento artificialmente. Es bien sabido que
aún no se define una forma eficaz de controlar el
movimiento a partir de señales musculares, sin
embargo, poco a poco se ha avanzado en el
descubrimiento de nuevas pistas para llegar al
entendimiento del control muscular. Si bien es
cierto que ha habido muchos trabajos para
desarrollar clasificadores a través de aprendizaje
automático, muchos de los resultados generados
son aplicables solamente a un ambiente de
laboratorio, sin poder llegar a un uso fuera de un
ambiente controlado.
3 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 6 (4): e318
2. Estado del arte
La electromiografía son registros de la actividad
eléctrica de los músculos como un efecto de las
contracciones realizadas, con estas señales se han
realizado estudios enfocados a descubrir la forma
en que se realiza el control muscular con el fin de
generar controles artificiales de los movimientos
de la mano. Por lo cual se ha buscado analizar los
movimientos desarrollando modelos
matemáticos para clasificarlos, para crear estos
modelos es necesario contar con datos, sin
embargo, algunos grupos de investigación se
enfocan a desarrollar dispositivos de adquisición
[6,8], otros cuentan con dispositivos comerciales
especializados [11-13], pero la gran mayoría
hace uso de bases de datos publicadas por estos
dos grupos de investigaciones donde se prueba y
analiza la información proporcionada [14-17].
Por lo tanto, actualmente hay un número limitado
de bases de datos, de las cuales podemos
categorizarlas en función a sus características,
ventajas y desventajas. Una base de datos de
electromiografía de miembro superior se define
con: la ubicación y tipo de mediciones adquiridas
ya se en brazo, antebrazo o mano, con
contracciones isométricas o isotónicas, con datos
que involucran a un sujeto (intra sujetos) o a un
conjunto de ellos (inter sujetos), con el tipo de
movimiento ya sean movimientos generales de la
posición de brazo o antebrazo, de la muñeca o
movimientos básicos de la mano (como flexiones
de cada uno de los dedos), o diferentes tipos de
agarre que son movimientos más especializados,
si estas consideran sujetos sanos o con alguna
disfuncionalidad ejemplos de estas pueden ser
encontradas en [18-21]. De igual forma podemos
encontrar diferencias en las bases de datos como
la cantidad de repeticiones para cada movimiento
en un mismo día (sesión) o sesiones en diferentes
días considerando las pequeñas variaciones en la
colocación de los electrodos, la duración de los
movimientos, las frecuencias de las señales EMG
de interés, la frecuencia de muestreo utilizada,
entre otras características. El desarrollo y uso de
base de datos libres es fundamental para el
avance de la investigación en electromiografía.
El uso de base de datos tiene justificaciones
validas, desde la falta de equipo para desarrollar
mediciones para investigación en el campo hasta
las comparaciones de resultados entre diseños
experimentales, replicación de experimentos,
prueba de nuevos métodos de extracción de
información o nuevos algoritmos de
clasificación. Como se ha descrito en trabajos
anteriores las señales EMG son sensibles a
muchos factores que van desde la posición de los
electrodos, el estado fisiológico muscular que es
único en cada caso/individuo, la fuerza de
contracción generada en cada movimiento, entre
otros.
En [1] se hace uso de una base de datos publicada
donde establecen una categorización de los
diferentes agarres de mano, y se establece que se
pueden clasificar 5 tipos de agarres en función a:
la forma del agarre, el posicionamiento de los
dedos, y la activación muscular, establecen una
coincidencia con resultados anteriores
apoyándose con sinergias musculares. Este
estudio es importante para nuestro trabajo porque
nos permite definir la semejanza en diferentes
tipos de movimientos, si dos movimientos
pertenecen a una misma categoría difícilmente
podrán ser diferenciados. La inspección desde el
punto de vista fisiológico de los movimientos de
la mano, de su taxonomía es necesaria para
descubrir sinergias musculares, es decir la forma
en la que suceden las contracciones musculares
para realizar la infinita cantidad de movimientos
posibles y que son necesarios en la vida real. En
[7] se genera un estudio de las sinergias
musculares en función a datos cinemáticos de las
articulaciones de la mano, ellos utilizan análisis
de componentes principales para analizar los
movimientos de la mano y proponen como
resultados obtenidos que la variabilidad de los
4 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 6 (4): e318
ángulos medidos corresponde a unas pocas
sinergias musculares dentro de los movimientos
analizados. También mencionan que las sinergias
musculares no coincidieron con la taxonomía del
agarre. Múltiples estudios respaldan un hecho
fisiológico normal, las proporciones anatómicas
musculares son diferentes para cada individuo,
por lo tanto, las señales de un mismo movimiento
serán distintas en proporción entre sujetos, en
[17] se observa como el porcentaje cae
bruscamente al momento de crear modelos de
clasificación intra sujeto e intersujetos. Ellos
utilizan la base de datos Ninapro y describen
también como se construyó dicha base. En [17]
se establece que la teoría de sinergias musculares
es más probable que suceda en lugar de que el
sistema nervioso central active cada uno de los
músculos por separado, para el control del
movimiento. También se menciona que a pesar
de la disponibilidad de métodos de extracción de
las sinergias musculares aún no se define cual es
el mejor método para hacerlo. Con los diferentes
trabajos desarrollado a partir de bases de datos
disponibles como CapgMyo, Ninapro dataset,
podría pensarse que hay material para dilucidar
más la información que se tiene hasta ahora. En
este sentido encontramos trabajos como [17]
donde evalúan algunos métodos de extracción de
sinergias musculares, y comparan sus resultados
con los obtenidos con otras investigaciones. En
[22,23] se realizan estudios sobre las sinergias
musculares en función a datos cinemáticos del
movimiento de las manos. Existen 2 bases de
datos que se utilizaran en este estudio CapgMyo
Database y The Ninapro Project.
2.1 Base de datos CapgMyo
En [24] se creó una base de datos “CapgMyo
Database” para el reconocimiento de gestos de la
mano, esta incluye 3 sub bases de datos con
diferentes propósitos (Db-a, Db-b, Db-c), esta
base de datos nació a partir del deseo que contar
con una base de datos estandarizada y de libre
acceso, tenía como objetivo hacer un mapeo
espacial y temporal de las señales eléctricas
musculares ante diferentes movimientos. Es
importante señalar que en esta base de datos se
realizaron mediciones inter e intra sujetos.
Además, se consideró la diferencia que puede
tener las señales EMG cuando son tomadas en
diferentes días, por lo que se estableció generar
sesiones en diferentes días, con no más de una
semana de diferencia, en esta situación se tiene
contemplado que los electrodos se colocaron con
una posición ligeramente diferente para cada
sesión.
La configuración de la adquisición fue realizada
a través de un arreglo de 8 x 2 electrodos, con 8
módulos de adquisición dejando como total 128
electrodos, dichos módulos fueron colocados
alrededor de antebrazo. Más información sobre la
localización de los módulos puede ser encontrada
en [24]. La base de datos b (Db-b) consta de
mediciones de 10 sujetos, cada sujeto realizó dos
sesiones en diferentes días, los movimientos
evaluados fueron 8. Se ofrecen 2 paquetes de
datos los crudos y los preprocesados, en esta
investigación se trabajó con los datos crudos.
2.2 Ninapro Project
En [25] se localiza la información referente a este
proyecto donde se puede observar y descargar las
sub-bases de datos disponibles, Ninapro Project
es una base de datos de las más completas y
robustas desarrolladas, este proyecto a la fecha
costa de alrededor 10 sub-bases de datos, cada
una desarrollada y creada con un objetivo. Esta
base de datos cuenta con datos de
electromiografía superficial (EMGs) y de
movimiento cinemáticos de los dedos adquiridos
con un guante Cyberglobe II.
En [26] se desarrolla la Sub-base de datos 1 la
primer sub-base de datos generada de este
proyecto, cuenta con 10 repeticiones de 52
5 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 6 (4): e318
movimientos de 27 sujetos sanos, además cuenta
con 3 tipos de ejercicios: “Movimientos básicos
de los dedos”, “Movimientos isométricos,
isotónicos y movimientos de la muñeca” y
“Agarre y movimientos funcionales”. En esta
base de datos 8 electrodos son uniformemente
espaciados con una banda elástica debajo de la
articulación del codo, también se hace uso de un
inclinometro y de un guante cyberglobe para
monitorear la cinemática de la mano. Dos
electrodos adicionales son colocados sobre
músculos flexores y extensores de la mano. Cada
repetición de movimiento dura 5 segundos y va
seguida de 3 segundos de descanso para evitar
fatiga. Un detalle importante en esta adquisición
fue que la secuencia de movimientos no está
aleatorizada, para inducir activaciones
inconscientes de los músculos involucrados. Uno
de los puntos interesantes en esta base de datos
es que utilizan un sistema de reetiquetado y solo
limitan la clasificación de las señales que superan
cierto umbral de actividad eléctrica muscular
para luego decir que las que no están en un estado
de reposo, de esta forma se evitan que el estado
de reposo sea etiquetado como una postura
definida [26]. El objetivo de [26] es evaluar la
variabilidad entre sujetos, entre repeticiones y
entre movimientos.
En [1] se utilizó la base de datos ninapro 2 que
recolecta los datos de 40 sujetos, la base de datos
cuenta con 50 movimientos de la mano y la
muñeca incluyendo movimientos básicos, y 20
tipos de agarre. A diferencia de otras bases de
datos esta cuenta con información cuantificables
del movimiento de las articulaciones de los
dedos, al mismo tiempo que se realizaron las
adquisiciones de la electromiografía en la
reproducción del movimiento. Los electrodos
utilizados son doble diferenciales. La actividad
muscular fue medida usando el Sistema
inalámbrico 2 kHz con un ruido base menor a 750
nV RMS. Se consideraron 8 electrodos alrededor
de antebrazo en la sección proximal, aparte de 4
electrodos extras ubicados en el bíceps, tríceps,
en el extensor digitorum superficialis, y flexor
digitorum superficialis. Esta es una estrategia
comúnmente utilizada en área prostética. Uno de
los puntos interesantes de esta base de datos es la
posibilidad de realizar un análisis sobre uno de
los puntos que afirman, que la posición de los
electrodos no es importante en tareas de
reconocimiento. Cada sujeto realizo 6
repeticiones de 49 movimientos más el descanso,
cada repetición duro 5 segundos más 3 segundos
del descanso. La cinemática de la mano fue
medida usando un sensor con 22 sensores
CyberGlobe II (CyberGlove Systems LLC 2),
proporcionando datos de los ángulos de las
articulaciones muestreado a una frecuencia de
muestreo ligeramente menor a 25Hz. Se eliminó
la frecuencia de la línea de potencia de 50 Hz con
un filtro hampel. Se utilizó interpolación lineal
posprocesamiento para nivelar los datos de los
ángulos cinemáticos con las señales EMG
registradas.
3. Metodología
3.1 Base de datos seleccionada
Las dos bases de datos evaluadas cuentan con
datos intra sujeto e intersujeto, se seleccionó la
sub-base de datos Db-b de CapgMyo y la base de
datos 2 de Ninapro, ambas comparten posiciones
comunes de electrodos y movimientos
semejantes. En esta sección se evaluará el uso de
estas bases de datos para comparar los resultados
sin ningún tipo de procesamiento de las señales
EMG crudas, junto a una conversión de espacio
con PCA, ICA y sus rendimientos evaluados con
modelos de aprendizaje automático con respecto
a los datos crudos.
Considerando que frecuentemente las
investigaciones pasan directamente a la prueba
de estrategias o preprocesamientos con modelos
novedosos, en este trabajo se plantea utilizar
6 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 6 (4): e318
estrategias simples y menos costosas
computacionalmente. Se tiene claro que una
estrategia clásica para la generación de modelos
de clasificación es la mostrada en la figura 1, a
partir de esta se decidió realizar dos tipos de
análisis, uno con el objetivo de demostrar el
rendimiento que pueden generar los datos crudos
en tareas de clasificación y otro con el objetivo
de evaluar el mismo porcentaje de
reconocimiento obtenido después de transformar
los datos crudos a un nuevo espacio PCA e ICA
con algoritmos de aprendizaje automático
clásicos. La tabla 1 muestra los movimientos
considerados en cada una de las bases de datos.
Tabla 1. Diferencias definidas para las dos bases de datos seleccionadas.
Capgmyo
Ninapro
Sujetos
1-5
1-5
Edades de
sujetos
involucrados
23 a 26 años
29.9±3.9 años
Numero de
electrodos
128
12
Relación datos
mov vs reposo
32.96% movimientos
67.02% reposo
48.53% movimientos
51.46 reposo
Movimientos
considerados
11 Movimientos
18 Movimientos
0
Reposo
Reposo
1
Levantar el pulgar
Levantar el pulgar
2
Extensión del índice y medio, flexión
de los otros
Extensión del índice y medio, flexión de los
otros
3
Flexión del anular y meñique,
extensión de los otros
Flexión del anular y meñique, extensión de los
otros
4
Pulgar oponiéndose a la base del
meñique
Pulgar oponiéndose a la base del meñique
5
Abducción de todos los dedos
Abducción de todos los dedos
6
Dedos flexionados juntos en puño
Dedos flexionados juntos en puño
7
Índice de señalamiento
Índice de señalamiento
8
Aducción de los dedos extendidos
Aducción de los dedos extendidos
9
Abducción de todos los dedos con
máxima fuerza
Supinación de la muñeca (eje dedo medio)
10
Dedos flexionados juntos en puño
(con máxima fuerza de contracción)
Pronación de la muñeca (eje: dedo medio)
11
Supinacion de la muñeca (eje: dedo meñique)
12
Pronacion de la muñeca (eje: dedo meñique)
13
Flexion de la muñeca
14
Extension de la muñeca
15
Desviacion radial de la muñeca
16
Desviacion ulnar de la muñeca
17
Extensión de la muñeca con la mano cerrada
7 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 6 (4): e318
3.2 Análisis de datos con aprendizaje
automático
Como se ha descrito en [5] un procesamiento
típico utilizado para generar modelos de
clasificación basado en datos, podría
representarse como una secuencia de etapas
donde los datos van sufriendo modificaciones sin
alterar la información relevante de estos.
Iniciando con el conjunto de datos que se desea
analizar, su acondicionamiento
(preprocesamiento) para poder extraer la
información más relevante posible, luego cuando
la información obtenida permita la mejor
discriminación entre clases se hace uso de
algoritmos de aprendizaje automático como
Naive Bayes, Análisis discriminante lineal y
cuadrático o métodos más robustos como redes
neuronales y máquinas de soporte vectorial
(SVM), generando de esta forma modelos de
clasificación basados en datos, este tipo de
procesos puede visualizarse en la Figura 1. En
[26] se utiliza la base de datos 1 de Ninapro para
generar modelos de clasificación útiles en el área
de prótesis, utilizan varios clasificadores donde
hacen uso de solo dos características que han sido
reportadas en [29] como buenas descriptoras de
las señales EMG la longitud de onda (WL), la
varianza (VAR) y valor absoluto medio (MAV),
para extraer la información y generar modelos de
clasificación.
Figura 1. Proceso típico para análisis de datos utilizando aprendizaje automático.
3.3 Visualización de la distribución de los
datos
En el mundo del análisis de los datos siempre es
recomendable visualizarlos, pare encontrar
patrones, distribuciones que en algunas
ocasiones saltan a la vista sin que los métodos de
procesamiento y extracción de la información
pueda no detectar. Esto puede no ser practico
cuando tenemos datos multivariados, sin
embargo, se han desarrollado métodos para
agrupar o reagrupar la información en un número
menor de variables, como lo es el análisis de
componentes principales (PCA) y el análisis de
componentes independientes (ICA), métodos que
han sido utilizados en el análisis de señales de
electromiografía [27]. Mismos métodos que
utilizan estrategias estadísticas para hacer
trasformaciones lineales de los datos y que han
sido utilizados con varios propósitos,
visualización, reducción de la dimensionalidad y
separación ciega de fuentes.
8 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 6 (4): e318
3.4 Separación ciega de fuentes (BSS)
La separación ciega de fuentes es un problema
típico en ingeniería que puede presentarse en
problemas generales clásicos como separación de
las diferentes fuentes de sonido que están
involucradas en una pista de audio, hasta más
específicamente la separación de los
componentes musculares que encontramos en un
registro de electromiografía.
Existen varias técnicas para resolver este
problema desde aplicar un análisis de
componentes principales (PCA), análisis de
componentes independientes (ICA) o variaciones
de estos. Tanto PCA como ICA han sido
utilizado en señales biomédicas, señales de audio
y en imágenes, por decirlo de alguna forma ICA
es considerado una extensión de PCA. PCA
optimiza la matriz de covarianza a diferencia de
ICA que maximiza la estadística de alto nivel
como la kurtosis. PCA encuentra componentes
no correlacionados, ICA componentes
independientes. Una descripción más detallada
puede ser encontrada en [28].
3.5 Análisis de componentes principales
(PCA)
PCA es una técnica de análisis de datos, que trata
de reducir la información redundante de la señal
para poder observar la distribución de los datos,
generalmente se utiliza para extraer la
información importante de la señal, es una
técnica de reducción de la dimensionalidad que
trata de mantener toda la información posible. El
método adquirió importancia gracias a las
técnicas de visualización, que nos permite
entender cómo se distribuyen los datos. El
método trasforma los datos originales a un nuevo
espacio donde existen los componentes
principales, estos componentes son simples
combinaciones lineales de las variables
originales.
Aunque actualmente podemos encontrar
variaciones en el método de PCA, sabemos que
la estrategia original nos permite descubrir
información relevante, y dada su simplicidad es
posible llevar estas operaciones al mundo de la
instrumentación biomédica. Es decir, las
operaciones son tan simples que pueden ser
implementadas en microcontroladores. PCA es
utilizado para visualización, para selección de
características y para describir tendencias en los
datos. Este método ha sido utilizado junto a
técnicas de aprendizaje automático para tratar de
clasificar movimientos como se establece en
[30].
Pasos para modelar el PCA
• Obtener los datos
• Calcular la media de los datos
• Calcular la matriz de covarianza
• Calcular los eigenvectores y eigenvalores
de la matriz de covarianza
• Determinar los componentes totales y
cuáles son los de mayor peso
• Ordenarlos
• Se crea el nuevo conjunto de datos:
𝑑𝑎𝑡𝑜𝑠 =
{𝑣𝑒𝑐𝑡𝑜𝑟 𝑑𝑎𝑡𝑜𝑠}𝑋 {𝑚𝑎𝑡𝑟𝑖𝑧 𝑑𝑒 𝑡𝑟𝑎𝑛𝑠𝑓𝑜𝑟𝑚𝑎𝑐𝑖ó𝑛}
3.6 Análisis de componentes independientes
(ICA)
El análisis de componentes independientes es
una técnica de trasformación lineal de datos al
igual que la anterior, es ampliamente utilizada en
problemas de separación ciega de fuentes, en [31]
la utilizan para extraer los componentes
independientes de los datos de electromiografía,
sigue el mismo principio que el anterior, se busca
separar los datos en componentes
independientes. En [28] se da una introducción al
método con más detalle.
9 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 6 (4): e318
3.7 Aprendizaje automático
El aprendizaje automático como una rama de la
inteligencia artificial es una de las herramientas
actualmente más utilizadas para generar modelos
de clasificación a partir de datos, en este trabajo
se utilizan los datos de 2 bases de datos, los
cuales se cargan en una plataforma de computo
numérico y programación para preprocesarlos, se
crean modelos de clasificación sin ningún tipo de
procesamiento, posteriormente se toman los
datos crudos y se convierten a nuevos espacios
con PCA e ICA donde los datos ya transformados
se utilizan para crear nuevos modelos de
clasificación, el diagrama puede observarse en la
Figura 2.
Figura 2. Metodología utilizada para la extracción y análisis de la información en las señales EMG de las bases de datos
seleccionadas.
3.7.1 Algoritmos de clasificación
Los algoritmos utilizados en este trabajo fueron
dos clásicos: el análisis discriminante lineal
(LDA) y al análisis discriminante cuadrático
(QDA), los dos son métodos de clasificación
supervisados nos permiten generar modelos de
clasificación con una función lineal o cuadrática
respectivamente con bases en lógica bayesiana.
Aunque actualmente existen trabajos con
métodos más sofisticados [32, 33] se optó por
visualizar el desempeño de los clasificadores
clásicos frente a los datos crudos y procesados
con PCA ICA. En este trabajo se utilizó un
método para validar los resultados de los
clasificadores, utilizando la validación cruzada
que permite asegurar que los resultados son
independientes de la partición de los datos, la
validación cruzada, establece que todos los datos
se utilizaran como datos de entrenamiento, y
datos de prueba.
3.7.2 Validación cruzada
Validación cruzada es un método de validación
de resultados utilizado para comprobar que los
resultados son independientes de la partición de
los datos, es decir que todos los datos se utilizan
10 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 6 (4): e318
para entrenamiento y prueba de los modelos de
clasificación creados, siendo estas particiones
mutuamente excluyentes, se hace una división de
los datos en 10 partes donde 9 de ellas se utilizan
para entrenamiento y 1 para prueba, el
procedimiento se realiza 10 veces donde todos
los datos son utilizados, como resultado final
tenemos 10 porcentajes de reconocimiento de los
10 modelos creados, la figura 3 describe este
procedimiento [34].
Figura 3. Metodología utilizada para la validación de los resultados (Validación cruzada).
4. Resultados
Datos crudos intrasujetos con aprendizaje
automático
Como resultados se obtuvieron los porcentajes de
reconocimiento de los modelos de clasificación
creados a partir de las bases de datos. En esta
sección se describen estos porcentajes (sin
procesamiento) de las dos bases de datos para los
primeros 5 sujetos considerando: la cantidad total
de repeticiones, para todos los movimientos
pertenecientes a cada sub-base de datos. Es
importante resaltar que todos los resultados aquí
mostrados fueron un promedio después de
aplicar validación cruzada 10x10.
La tabla 2 nos permite observar los resultados
que nos proporcionan los modelos de
clasificación obtenidos a partir de la base de
datos de CapgMyo sub-base de datos Db-b, con
11 clases de movimientos incluido mano en
reposo, se observa que en promedio se tiene para
LDA un porcentaje de reconocimiento de
66.95% y para QDA un 82.04%.
Tabla 2. Porcentajes de reconocimiento obtenidos a partir de LDA y QDA con la base de datos CapgMyo para cada sujeto de
forma individual.
CapgMyo
QDA
Sujeto 1
84.1489
Sujeto 2
82.8044
Sujeto 3
82.7925
Sujeto 4
72.5363
Sujeto 5
87.9335
Promedio
82.0431
11 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 6 (4): e318
La tabla 3 muestra los porcentajes de
reconocimiento para la base de datos de Ninapro
DB-2 con 23 clases de movimientos con un
promedio entre sujetos evaluados de 55.96% para
QDA y un 51.50% para LDA. Se observa que los
datos que mejor se encuentran diferenciados son
los del sujeto 5 para el modelo de LDA y el sujeto
1 para el modelo generado por QDA.
Table 3. Porcentajes de reconocimiento obtenidos a partir de LDA y QDA con la base de datos Ninapro para cada sujeto de
forma individual.
Ninapro
QDA
Sujeto 1
64.0862
Sujeto 2
55.7999
Sujeto 3
58.139
Sujeto 4
40.3644
Sujeto 5
61.4295
Promedio
55.9639
Dentro de la metodología se plantea una segunda
mitad de la experimentación donde los datos
crudos son trasladados a nuevos espacios con
PCA e ICA en la tabla 4 se puede observar los
efectos de estas transformaciones de los datos. Se
observa el desempeño de la base de datos de
CapgMyo donde PCA e ICA tuvieron resultados
muy semejantes tanto para LDA como para
QDA, sin embargo, vemos que los datos
generados con los modelos cuadráticos son
superiores a los
generados con los modelos lineales.
Table 4. Porcentajes de reconocimiento obtenidos a partir de LDA y QDA con la base de datos CapgMyo para cada sujeto de
forma individual para PCA e ICA.
Capgmyo
QDA
PCA
ICA
PCA
ICA
Sujeto 1
66.9
66.94
84.21
84.2
Sujeto 2
65.27
65.07
82.8
82.66
Sujeto 3
64.45
68.88
90.02
89.77
Sujeto 4
65.75
65.97
86.29
86.31
Sujeto 5
64.65
64.23
88.35
88.24
Promedio
65.404
66.218
86.334
86.236
En la tabla 5 se observa el desempeño de los
clasificadores seleccionados con la base de datos
de ninapro, vemos que los valores de PCA en
QDA son ligeramente superiores a los obtenidos
con PCA y LDA.
12 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 6 (4): e318
Table 5. Porcentajes de reconocimiento obtenidos a partir de LDA y QDA con la base de datos Ninapro para cada sujeto de
forma individual para PCA e ICA.
Ninapro
LDA
QDA
PCA
ICA
PCA
ICA
Sujeto 1
59.0025
59.02
64.2293
64.2298
Sujeto 2
50.1228
50.21
55.5666
55.54
Sujeto 3
52.3421
52.01
58.2684
58.232
Sujeto 4
36.3294
36.30
40.3645
40.3342
Sujeto 5
59.4990
58.90
66.1234
65.1211
Promedio
51.4591
51.288
56.9104
56.6914
Figura 4. Matriz de confusión del mejor porcentaje de reconocimiento obtenido.
5. Discusión
En este trabajo se buscó examinar la variabilidad
muscular y como esta afecta a los porcentajes de
reconocimiento de los modelos de clasificación
de movimientos de mano, creados utilizando
datos crudos de la actividad eléctrica muscular de
antebrazo. Si tomamos como una variable de
respuesta el porcentaje de reconocimiento
obtenido de los modelos de clasificación creados,
podemos decir que la variabilidad de las señales
EMG afectan directamente a los resultados
obtenidos, razón por la cual se busca tratar esta
variabilidad para que no afecte a los modelos de
clasificación, lo que generalmente se realiza es
definir operadores y aplicar estas estos a ventanas
de tiempo de datos, lo que genera un retraso en el
tiempo y un costo computacional extra, en este
trabajo se compararon los resultados obtenidos
sin ningún tipo de retraso, y considerando una
operación de trasformación a un nuevo espacio lo
que conllevaría un costo computacional extra, y
un tiempo de procesamiento. Nuestro trabajo
utiliza dos tipos de procesamiento uno con los
datos crudos y otro con los datos transformados
al espacio de PCA e ICA. Los resultados
obtenidos muestran un bajo porcentaje de
reconocimiento comparado con otras
investigaciones, sin embargo, contamos con
porcentajes rondando el 82% de reconocimiento
sin ningún tipo de procesamiento extra, solo con
las operaciones que requiere el clasificador para
dar una respuesta y con 86% agregando una
operación matricial de trasformación a un nuevo
espacio (PCA). El objetivo de evaluar PCA e
ICA era determinar si estas operaciones
aplicadas a los datos crudos de EMG mejorarían
los porcentajes de reconocimiento de forma
significativa, se observó que hubo un aumento de
4% en promedio para PCA.
Hay varios factores que pueden perjudicar a los
modelos de clasificación creados como, la
calidad y cantidad de los datos de entrada, el
número de movimientos considerados, el número
de electrodos utilizados y la posición de estos,
parámetros que pueden ser analizados en este
estudio.
Como se describió se analizaron 5 sujetos de cada
una de las bases de datos, la base de datos 2 de
CapgMyo considera 11 movimientos incluida la
clase del movimiento de mano en estado de
reposo, dicha base de datos se obtuvo a través de
128 electrodos, con porcentajes de
reconocimiento superiores en los dos rutas
analizadas (sin procesamiento y con
procesamiento) con respecto a la base de datos de
Ninapro, donde se consideran un total de 18
movimientos incluidos el movimiento de mano
13 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 6 (4): e318
en estado de reposo, con una adquisición con 8
electrodos colocados en antebrazo. Un punto
importante en este tipo de trabajos que
generalmente no se discute es la información que
le proporcionamos al modelo en este caso la base
de datos, en este estudio se observa una
diferencia significativa entre los datos generados
para la clase de movimiento 0 (la mano en
reposo) y las distintas clases de movimiento
analizadas, se observa que para la base de datos
de CapgMyo se obtuvo en promedio del total de
los datos un 67.02% datos de reposo y un 32.96%
datos para las 10 clases restantes, a diferencia de
los datos de Ninapro que fueron en promedio el
51.46% datos de reposo y 48.53% para datos de
las 17 clases restantes, como se observa la
mayoría de los datos proporcionados son datos de
señales EMG en reposo, esto impacta
directamente en los porcentajes de
reconocimiento de los datos. En la tabla 1 se
puede notar que los primeros 8 movimientos son
idénticos para las dos bases de datos superando
el número de movimientos desde la clase 9 a la
17, movimientos que involucran a la muñeca.
Los porcentajes superiores se pueden atribuir a
los parámetros considerados, la cantidad de
movimientos, el número de electrodos y a la
distribución de los datos reposo contra
movimientos.
El utilizar bases de datos libres bajo estos
propósitos permite difundir y dar a conocer las
bases disponibles en la red, de igual forma al
ejecutar nuevas estrategias de procesamiento se
va formando un compendio de herramientas que
la comunidad científica puede aprovechar. En
función a los resultados podemos analizar varios
puntos. Los modelos de clasificación cuadráticos
separan mejor los datos de EMG crudos que los
lineales. Al menos para los datos crudos se
observa que los algoritmos para trasformar los
datos a nuevos espacios no ayudan ni perjudican
a mejorar o reducir los porcentajes de
reconocimiento para clasificadores lineales y
cuadráticos, sin embargo, pueden ser útiles
reducir la dimensionalidad de los datos para
poder observarlos en tres dimensiones. Debido a
la semejanza de las mediciones de la
electromiografía, a la forma en la que se
distribuyen los datos y a su apariencia cuasi
estocástica, los modelos lineales son ineficientes
y los cuadráticos apenas podrían llegar al 80% de
clasificación que es bajo si estamos hablando de
aplicar esos clasificadores a dispositivos de
grado médico. Es necesario extraer información
relevante escondida en estas señales, podríamos
utilizar algunas medidas de señales para
preprocesar los datos, hasta ahora se sabe que
existen algunas características que hacen a los
movimientos más diferenciables entre sí, lo que
conlleva a procesamiento extra y podría tener
consecuencias en la complejidad de las
operaciones lo que conlleva un aumento en el
costo computacional requerido.
Como trabajo futuro se planea continuar
evaluando estas bases de datos, ya que nos
permiten realizar una sincronización entre las
señales EMG y los movimientos cinemáticos de
las articulaciones. De igual forma una base de
datos como CapgMyo donde tenemos alrededor
de 128 electrodos, una electromiografía de alta
resolución junto a los datos cinemáticos y a los
registros de EMG sería posible ejecutar un
algoritmo de selección secuencial hacia adelante
para ver que electrodos son los que más ayudan a
la diferenciación de las clases de movimientos, y
de esta forma determinar las posiciones que
ocupan esos electrodos. De esta forma tenemos
posición de los electrodos, registro EMG y
movimiento cinemático generado.
6. Conclusiones
La variabilidad muscular entre individuos es uno
de los principales impedimentos para que los
modelos de clasificación logren resultados
14 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 6 (4): e318
reproducibles tanto dentro como fuera del
laboratorio.
La diferencia entre los parámetros de las bases de
datos evaluadas como lo es la cantidad de
electrodos utilizados, el número de movimientos
evaluados, la cantidad de datos utilizados para
los movimientos evaluados, y los tipos de
movimientos son los factores que intervienen en
las diferencias de los porcentajes de
reconocimientos.
La utilización de bases de datos en línea facilita
la adquisición de conocimiento, ya que ofrece un
vasto abanico de posibilidades en cuanto a cómo
se pueden procesar los datos. En consecuencia,
cuanto más se profundice en el estudio de una
base de datos, mayores serán los resultados
obtenidos.
Los modelos de clasificación lineales no son
adecuados para trabajar con los datos crudos de
las señales EMG. Aunque los algoritmos de PCA
e ICA no ayudaron a mejorar el porcentaje de
reconocimiento, estos permiten realizar una
reducción de la dimensionalidad de los datos sin
perder información relevante.
Los modelos de clasificación cuadrático son
capaces de discriminar entre movimientos, sin
embargo, el porcentaje de reconocimiento que
alcanzan no es suficiente para dispositivos
médicos.
7. Agradecimientos
Agradecimiento a la Universidad Autónoma de
Baja California y a la Universidad Politécnica de
Baja California por el apoyo brindado durante el
desarrollo de este artículo académico.
Agradecimiento a CONAHCYT por el apoyo
económico brindado [No. CVU-679445].
8.- Agradecimientos de autoria
Jose Alejandro Amezquita García: Escritura –
Borrador Original; Conceptualización;
Investigación; Metodología; Análisis formal.
Miguel E. Bravo Zanoguera: Escritura;
Metodología; Revisión y edición; Investigación;
Análisis formal. Fabián N. Murrieta-Rico:
Revisión y edición; Conceptualización;
Investigación; Análisis formal.
Referencias
[1] F. Stival, S. Michieletto, M. Cognolato, E.
Pagello, H. Müller, and M. Atzori, “A
quantitative taxonomy of human hand grasps,”
Journal of NeuroEngineering and Rehabilitation,
vol. 16, no. 1, p. 28, Feb. 2019, doi:
10.1186/s12984-019-0488-x.
[2] Md. J. Islam et al., “Optimizing electrode
positions on forearm to increase SNR and
myoelectric pattern recognition performance,”
Engineering Applications of Artificial
Intelligence, vol. 122, p. 106160, Jun. 2023, doi:
10.1016/j.engappai.2023.106160.
[3] M. Beretta-Piccoli, C. Cescon, M. Barbero,
and G. D’Antona, “Identification of muscle
innervation zones using linear electrode arrays: a
fundamental step to measure fibers conduction
velocity,” Arab Journal of Basic and Applied
Sciences, vol. 28, no. 1, pp. 264–271, Jan. 2021,
doi: 10.1080/25765299.2021.1894731.
[4] N.V. Thakor, “Biopotentials and
Electrophysiology Measurements” in Telehealth
and Mobile Health. CRC Press, (2015),
https://doi.org/10.1201/b19147-36
[5] J. Amezquita-Garcia, M. Bravo-Zanoguera,
F. F. Gonzalez-Navarro, R. Lopez-Avitia, and M.
A. Reyna, “Applying Machine Learning to
15 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 6 (4): e318
Finger Movements Using Electromyography and
Visualization in Opensim,” Sensors, vol. 22, no.
10, 2022, doi: 10.3390/s22103737.
[6] Y. Du, W. Jin, W. Wei, Y. Hu, and W. Geng,
“Surface EMG-Based Inter-Session Gesture
Recognition Enhanced by Deep Domain
Adaptation,” Sensors, vol. 17, no. 3, 2017, doi:
10.3390/s17030458
[7] Marco Santello, Martha Flanders, and John F.
Soechting, “Postural Hand Synergies for Tool
Use,” J. Neurosci., vol. 18, no. 23, p. 10105, Dec.
1998, doi: 10.1523/JNEUROSCI.18-23-
10105.1998.
[8] D. Buongiorno et al., “Deep learning for
processing electromyographic signals: A
taxonomy-based survey,” Neurocomputing, vol.
452, pp. 549–565, Sep. 2021, doi:
10.1016/j.neucom.2020.06.139.
[9] E. Ayodele, S. A. R. Zaidi, Z. Zhang, J. Scott,
and D. McLernon, “Chapter 9 - A review of deep
learning approaches in glove-based gesture
classification,” in Machine Learning, Big Data,
and IoT for Medical Informatics, P. Kumar, Y.
Kumar, and M. A. Tawhid, Eds., Academic
Press, 2021, pp. 143–164. doi: 10.1016/B978-0-
12-821777-1.00012-4.
[10] R. Donati, V. Kartsch, L. Benini, and S.
Benatti, “BioWolf16: a 16-channel, 24-bit,
4kSPS Ultra-Low Power Platform for Wearable
Clinical-grade Bio-potential Parallel Processing
and Streaming,” in 2022 44th Annual
International Conference of the IEEE
Engineering in Medicine & Biology Society
(EMBC), Jul. 2022, pp. 2518–2522. doi:
10.1109/EMBC48229.2022.9871898.
[11] P. Huang et al., “Identification of Upper-
Limb Movements Based on Muscle Shape
Change Signals for Human-Robot Interaction,”
Computational and Mathematical Methods in
Medicine, vol. 2020, p. 5694265, Apr. 2020, doi:
10.1155/2020/5694265.
[12] Y. A. Jarrah 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, p. 103497, Apr. 2022, doi:
10.1016/j.bspc.2022.103497.
[13] R. Soangra, R. Sivakumar, E. R. Anirudh, S.
V. Reddy Y., and E. B. John, “Evaluation of
surgical skill using machine learning with
optimal wearable sensor locations,” PLOS ONE,
vol. 17, no. 6, p. e0267936, Jun. 2022, doi:
10.1371/journal.pone.0267936.
[14] A. Maheen et al., Human Hand Gesture
Recognition System Using Body Sensor
Network. 2021, p. 5. doi:
10.1109/ICRAI54018.2021.9651389.
[15] R. Esaa, H. jaber, and A. A. Jasim, “Features
selection for estimating hand gestures based on
electromyography signals,” Bulletin of Electrical
Engineering and Informatics, vol. Vol. 12, pp.
2087–2094, Aug. 2023, doi:
10.11591/eei.v12i4.5048.
[16] M. Aviles, L.-M. Sánchez-Reyes, R. Q.
Fuentes-Aguilar, D. C. Toledo-Pérez, and J.
Rodríguez-Reséndiz, “A Novel Methodology for
Classifying EMG Movements Based on SVM
and Genetic Algorithms,” Micromachines, vol.
13, no. 12, 2022, doi: 10.3390/mi13122108.
[17] B. Saeed et al., “Leveraging ANN and LDA
Classifiers for Characterizing Different Hand
Movements Using EMG Signals,” Arabian
Journal for Science and Engineering, vol. 46, no.
2, pp. 1761–1769, Feb. 2021, doi:
10.1007/s13369-020-05044-x.
16 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 6 (4): e318
[18] Rami N. Khushaba, “Electromyogram
(EMG) Data, 8 Channels, 15 Classes.” [Online].
Available: https://www.rami-
khushaba.com/biosignals-repository
[19] P. Kaczmarek and J. Tomczyński,
“putEMG: sEMG Gesture and Force Recognition
Datasets.” 2019. [Online]. Available:
https://biolab.put.poznan.pl/putemg-dataset/
[20] C. Sapsanis, A. Tzes, and G. Georgoulas,
“sEMG for Basic Hand movements.” UCI
Dataset, Nov. 17, 2014. [Online]. Available:
https://archive.ics.uci.edu/dataset/313/semg+for
+basic+hand+movements
[21] A. Balbinot and T. Oliveira Weber, “IEE
EMG Database.” [Online]. Available:
https://www.ufrgs.br/ieelab/resource_IEE_sEM
G_db.php
[22] K. Zhao et al., “Evaluation of Methods for
the Extraction of Spatial Muscle Synergies,”
Frontiers in Neuroscience, vol. 16, 2022, doi:
10.3389/fnins.2022.732156.
[23] N. J. Jarque-Bou, A. Scano, M. Atzori, and
H. Müller, “Kinematic synergies of hand grasps:
a comprehensive study on a large publicly
available dataset,” Journal of NeuroEngineering
and Rehabilitation, vol. 16, no. 1, p. 63, May
2019, doi: 10.1186/s12984-019-0536-6.
[24] G. Weidong, “CapgMyo: A High Density
Surface Electromyography Database for Gesture
Recognition.” 2017. [Online]. Available:
http://zju-
capg.org/research_en_electro_capgmyo.html
[25] M. Atzori, A. Gijsberts, and C. Castellini, et
al, “DB2 - 40 Intact Subjects - Delsys Trigno
electrodes.” [Online]. Available:
http://ninaweb.hevs.ch/node/17
[26] M. Atzori et al., “Characterization of a
Benchmark Database for Myoelectric Movement
Classification,” IEEE Transactions on Neural
Systems and Rehabilitation Engineering, vol. 23,
no. 1, pp. 73–83, Jan. 2015, doi:
10.1109/TNSRE.2014.2328495.
[27] G. Masri, H. Harb, N. Diab, and R. Halabi,
“Design and Control of a Myoelectric Prosthetic
Hand using Multi-Channel Blind Source
Separation Techniques,” in 2021 Sixth
International Conference on Advances in
Biomedical Engineering (ICABME), Oct. 2021,
pp. 54–58. doi:
10.1109/ICABME53305.2021.9604876.
[28] A. Tharwat, “Independent component
analysis: An introduction,” Applied Computing
and Informatics, vol. 17, no. 2, pp. 222–249, Jan.
2021, doi: 10.1016/j.aci.2018.08.006.
[29] A. Sultana, F. Ahmed, and Md. S. Alam, “A
systematic review on surface electromyography-
based classification system for identifying hand
and finger movements,” Healthcare Analytics,
vol. 3, p. 100126, Nov. 2023, doi:
10.1016/j.health.2022.100126.
[30] L. Dela, D. Sutopo, S. Kurniawan, T.
Tjahjowidodo, and W. Caesarendra, “EMG
Based Classification of Hand Gesture Using
PCA and SVM,” in Proceedings of the 2nd
International Conference on Electronics,
Biomedical Engineering, and Health Informatics,
T. Triwiyanto, A. Rizal, and W. Caesarendra,
Eds., Singapore: Springer Nature Singapore,
2022, pp. 459–477.
[31] R. Howard, R. Conway, and A. Harrison,
The use of Independent Component Analysis on
EMG Data to Explore Cross-Talk. 2015.
17 ISSN: 2594-1925
Revista de Ciencias Tecnológicas (RECIT). Volumen 6 (4): e318
[32] Yonghong Huang, K. B. Englehart, B.
Hudgins, and A. D. C. Chan, “A Gaussian
mixture model based classification scheme for
myoelectric control of powered upper limb
prostheses,” IEEE Transactions on Biomedical
Engineering, vol. 52, no. 11, pp. 1801–1811,
Nov. 2005, doi: 10.1109/TBME.2005.856295.
[33] Y. Chen et al., “A hierarchical dynamic
Bayesian learning network for EMG-based early
prediction of voluntary movement intention,”
Scientific Reports, vol. 13, no. 1, p. 4730, Mar.
2023, doi: 10.1038/s41598-023-30716-7.
[34] D. Berrar, “Cross-Validation,” in
Encyclopedia of Bioinformatics and
Computational Biology, S. Ranganathan, M.
Gribskov, K. Nakai, and C. Schönbach, Eds.,
Oxford: Academic Press, 2019, pp. 542–545.
doi: 10.1016/B978-0-12-809633-8.20349-X.
[35] W. Geng, Y. Du, W. Jin, W. Wei, Y. Hu, and
J. Li, “Gesture recognition by instantaneous
surface EMG images,” Scientific Reports, vol. 6,
no. 1, p. 36571, Nov. 2016, doi:
10.1038/srep36571.
Derechos de Autor (c) 2023 José Alejandro Amézquita García, Miguel Enrique Bravo Zanoguera, Fabian Natanael Murrieta
Rico
Este texto está protegido por una licencia Creative Commons 4.0.
Usted es libre para compartir —copiar y redistribuir el material en cualquier medio o formato — y adaptar el documento —
remezclar, transformar y crear a partir del material— para cualquier propósito, incluso para fines comerciales, siempre que
cumpla la condición de:
Atribución: Usted debe dar crédito a la obra original de manera adecuada, proporcionar un enlace a la licencia, e indicar si se
han realizado cambios. Puede hacerlo en cualquier forma razonable, pero no de forma tal que sugiera que tiene el apoyo del
licenciante o lo recibe por el uso que hace de la obra.
Resumen de licencia - Texto completo de la licencia