1CONTROL MIOELÉCTRICO DE UNA PRÓTESIS
DE MIEMBRO SUPERIOR - MANO
NICOLAS ALZATE ARIAS
UNIVERSIDAD MILITAR NUEVA GRANADA
FACULTAD DE INGENIERÍA
INGENIERÍA MECATRÓNICA
BOGOTA D.C.
2017
2CONTROL MIOELÉCTRICO DE UNA PRÓTESIS
DE MIEMBRO SUPERIOR - MANO
NICOLAS ALZATE ARIAS
TRABAJO DE GRADO
Director:
I.E. OSCAR FERNANDO AVILÉS SÁNCHEZ Phd
UNIVERSIDAD MILITAR NUEVA GRANADA
FACULTAD DE INGENIERÍA
INGENIERÍA MECATRÓNICA
BOGOTA D.C.
2017
3NOTA DE ACEPTACIÓN
El trabajo de grado titulado, CONTROL
MIOELÉCTRICO DE UNA PRÓTESIS
DE MIEMBRO SUPERIOR - MANO, ela-
borado por NICOLAS ALZATE ARIAS,
como requisito para optar por el título
de Ingeniero en Mecatrónica, fue aprobado
por el Jurado calificador, que en constancia
firma:
Firma del Presidente del Jurado
Firma del Jurado
Firma del Jurado
Bogotá D.C., December 26, 2017
4Dedicado a la Universidad Militar Nueva Granada que, gracias a su formación, su calidad
de enseñanza y sus óptimas instalaciones y equipos, permitieron que adquiriera los conoci-
mientos necesarios para desarrollar este proyecto, y afianzar mi crecimiento como ingeniero
y profesional.
Dedico también este trabajo al Ingeniero Oscar Fernando Avilés Sánchez y al grupo de
investigación DAVINCI, por su guía y apoyo en el desarrollo de este proyecto. Agradezco
a la Universidad Militar Nueva Granada y a todos los docentes que pasaron por mi proceso
de enseñanza, cada uno contribuyó en mi formación y me proporcionaron los conocimientos
que me permitieron ser lo que soy ahora.
Agradezco a mi abuelo por apoyarme cada vez que lo necesite, y darme las herramientas
para desarrollar mis metas y proyectos y a mi madre por financiar mis estudios, les estoy muy
agradecido.
Agradezco a mi director de tesis el Ingeniero Oscar Fernando Avilés Sánchez por todo lo
que me ha enseñado, por su guía en el desarrollo de este trabajo de grado y paciencia, sin él
no hubiera sido posible.
Contenido
Contenido 5
Lista de figuras 7
Lista de tablas 12
1 Introducción 14
1.1. Motivación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.2. Justificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.3. Antecedentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.4.1. Objetivo General . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.4.2. Objetivos Específicos . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.5. Organización del documento . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2 Marco Teórico 21
2.1. La mano humana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.1.1. Movimientos mano y muñeca . . . . . . . . . . . . . . . . . . . . . 21
2.1.2. Anatomía de la mano humana . . . . . . . . . . . . . . . . . . . . . 24
2.1.3. Medidas de la mano humana . . . . . . . . . . . . . . . . . . . . . . 27
2.2. Músculos del antebrazo encargados del movimiento de la mano y su función . 29
2.3. Biopotenciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.3.1. Señales de electromiografía . . . . . . . . . . . . . . . . . . . . . . . 37
2.3.2. Electrodos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.4. Músculos seleccionados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.5. Conclusión del capítulo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3 Generalidades del sistema completo 50
3.1. Sistema de adquisición y digitalización de señal . . . . . . . . . . . . . . . . 50
3.2. Sistema computacional de procesamiento y reconocimiento de gestos . . . . . 54
3.3. Conclusión del capítulo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4 Adquisición y digitalización de señal 56
4.1. Amplificación de instrumentación y sumador inversor . . . . . . . . . . . . . 57
5
CONTENIDO 6
4.2. Etapa de filtrado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.3. Circuito de digitalización de la señal y comunicación serial . . . . . . . . . . 65
4.4. Circuito impreso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.5. Simulación de la etapa electrónica . . . . . . . . . . . . . . . . . . . . . . . 71
4.6. Potencia del circuito . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
4.7. Conclusión del capítulo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
5 Recepción, procesamiento e identificación de gesto 77
5.1. Recepción de datos, visualización y edición . . . . . . . . . . . . . . . . . . 78
5.2. Procesamiento y análisis de datos . . . . . . . . . . . . . . . . . . . . . . . . 79
5.3. Identificación de gestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
5.3.1. Gestos a identificar . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
5.4. Señales EMG de cada gesto . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
5.5. Conclusión del capítulo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
6 Prótesis de mano 108
6.1. Estudio cinemático . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
6.1.1. Cinemática directa . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
6.1.2. Cinemática inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
6.2. Modelo de fuerzas y momentos . . . . . . . . . . . . . . . . . . . . . . . . . 116
6.3. Impresión 3D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
6.3.1. Propiedades mecánicas y térmicas del ABS . . . . . . . . . . . . . . 122
6.4. Construcción de cartílagos . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
6.4.1. Pruebas del material . . . . . . . . . . . . . . . . . . . . . . . . . . 126
6.5. Tendones de la prótesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
6.6. Selección de motores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
6.7. Base que sostiene la prótesis . . . . . . . . . . . . . . . . . . . . . . . . . . 129
6.8. Movimiento de la prótesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
6.9. Gestos realizables por el modelo . . . . . . . . . . . . . . . . . . . . . . . . 132
6.10. Conclusión del capítulo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
7 Animación virtual y movimiento físico 135
7.1. Animación virtual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
7.1.1. Modelo en SimMechanics . . . . . . . . . . . . . . . . . . . . . . . 135
7.1.2. Simulación de movimiento en Simulink . . . . . . . . . . . . . . . . 138
7.2. Movimiento físico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
7.3. Conclusión del capítulo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
Bibliografía 152
A Anexos 157
A.1. Programa del microcontrolador . . . . . . . . . . . . . . . . . . . . . . . . . 157
A.2. Programa Matlab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
A.3. Planos de la base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
Lista de figuras
1.1. Mano robótica de 4 dedos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.2. Interfaz virtual en Matlab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.3. Mano virtual controlada por electromiografía . . . . . . . . . . . . . . . . . . . 17
1.4. Mano robótica de bajo costo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.5. Gestos considerados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.6. Diagrama de bloques del sistema . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.7. Diagrama esquemático del sistema inalámbrico de SEMG y NIRS . . . . . . . . 18
1.8. Módulos de acondicionamiento (a), procesamiento de señal (b) y módulo de ali-
mentación (c) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.1. Pronación y supinación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.2. Flexión y extensión de muñeca . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.3. Flexión y extensión de dedos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.4. Abducción y aducción de muñeca . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.5. Abducción y aducción dedos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.6. Oposición y reposición del pulgar . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.7. 3 ejes de la mano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.8. Las 3 zonas de la mano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.9. Ligamentos de la palma con su orientación . . . . . . . . . . . . . . . . . . . . . 26
2.10. Falanges distal, medial y proximal . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.11. Ejes de la mano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.12. Músculo esqueletico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.13. Región anterior del antebrazo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.14. Región posterior-externa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.15. Región posterior a) plano superficial, b) plano profundo . . . . . . . . . . . . . . 31
2.16. Presencia y ausencia del tendón . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.17. a) Músculo flexor radial del carpo, b) Músculo palmar largo, c) Músculo braquio-
rradial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.18. a) Músculo flexor cubital del carpo, b) Músculo extensor cubital del carpo, c)
Músculo extensor propio del meñique . . . . . . . . . . . . . . . . . . . . . . . 33
2.19. a) Músculo extensor de los dedos, b) Músculo flexor largo del pulgar, c) Músculo
flexor común superficial de los dedos . . . . . . . . . . . . . . . . . . . . . . . 33
7
Lista de figuras 8
2.20. a) Músculo extensor radial largo del carpo, b) Músculo extensor radial corto del
carpo, c) Músculo extensor largo del pulgar . . . . . . . . . . . . . . . . . . . . 34
2.21. Neurona Multipolar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.22. Señales a) ECG, b) EEG, c) EMG, d) EOG . . . . . . . . . . . . . . . . . . . . . 36
2.23. Electrodos de inserción, a) Tipo Monopolar, b) Tipo Coaxial . . . . . . . . . . . 40
2.24. Electrodos de superficie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.25. Electrodos Ag/ AgCl . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.26. Electrodo con cinta adhesiva . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.27. Electrodo de placas de oro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.28. Electrodo de polímero conductor . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.29. a) Localización electrodo músculo flexor del pulgar en antebrazo real, b) Músculo
aislado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.30. a) Localización electrodo músculo flexor superficial de los dedos en antebrazo
real, b) Músculo aislado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.31. a) Localización electrodo músculo palmar largo en antebrazo real, b) Músculo
aislado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.32. a) Localización electrodos músculo flexor radial del carpo en antebrazo real, b)
Músculo aislado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.33. a) Localización electrodo músculo flexor cubital del carpo en antebrazo real, b)
Músculo aislado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.34. a) Localización electrodos músculo extensor largo del pulgar en antebrazo real,
b) Músculo aislado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.35. a) Localización electrodos músculo extensor propio del meñique en antebrazo
real, b) Músculo aislado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.36. a) Localización electrodo extensor músculo extensor cubital del carpo en ante-
brazo real, b) Músculo aislado . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.37. a) Localización electrodos músculo extensor radial del carpo en antebrazo real,
b) Músculo aislado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.38. a) Localización electrodos músculo braquiorradial en antebrazo real, b) Músculo
aislado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.1. Sistema de adquisición y digitalización de señal . . . . . . . . . . . . . . . . . . 50
3.2. Etapa de amplificación de instrumentación . . . . . . . . . . . . . . . . . . . . 51
3.3. Etapa del sumador inversor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.4. Etapa de filtro pasabanda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.5. Etapa filtro rechaza banda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.6. Etapa conversor ADC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.7. Etapa de comunicación serial . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.8. Sistema computacional de procesamiento y reconocimiento . . . . . . . . . . . . 54
3.9. Etapa de recepción de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.10. Etapa de inteligencia artificial . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.11. Etapa de simulación virtual y movimiento de actuadores . . . . . . . . . . . . . 55
Lista de figuras 9
4.1. Alimentación a prueba de cortos . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.2. Reguladores de voltaje . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.3. Estructura del amplificador de instrumentación . . . . . . . . . . . . . . . . . . 58
4.4. Configuración sumador inversor . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.5. Diagrama en frecuencia y fase de filtro pasabajos . . . . . . . . . . . . . . . . . 60
4.6. Circuito pasabajos FilterLab . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.7. Condensadores comerciales filtro pasabajos . . . . . . . . . . . . . . . . . . . . 61
4.8. Diagrama en frecuencia y fase filtro pasaaltos . . . . . . . . . . . . . . . . . . . 61
4.9. Circuito pasaaltos FilterLab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.10. Condensadores comerciales filtro pasaaltos . . . . . . . . . . . . . . . . . . . . 62
4.11. Configuración general UAF42 . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.12. Configuración Notch 60 Hz . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
4.13. Respuesta en frecuencia de Notch de 60Hz . . . . . . . . . . . . . . . . . . . . 64
4.14. Circuito sumador 2.5V DC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.15. Diagrama de flujo del programa . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.16. PCB resultante de ARES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.17. Capas del PCB . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.18. Circuito impreso real . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.19. Simulación y sus etapas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
4.20. Señales de las entradas del sistema, a) 5Hz, b) 10Hz, c) 60Hz, d) 150 Hz, e) 600
Hz, f) 1000 Hz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.21. Salida del sumador inversor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.22. Salida de la etapa de filtrado . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
4.23. Comparación entre la señal ideal b) y la señal resultante por simulación a) . . . . 74
4.24. Potencia del circuito, a) Amplificadores de intrumentación, b) Amplificadores
operacionales, c) Puente de diodos . . . . . . . . . . . . . . . . . . . . . . . . . 75
5.1. Interfaz de usuario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
5.2. Botón de toma de muestra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
5.3. Visualización de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
5.4. Botón de eliminar datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
5.5. Botón de cambiar gesto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
5.6. Comparación esquemática de redes neuronales biológicas y artificiales . . . . . . 83
5.7. Diagrama esquemático de un PDP . . . . . . . . . . . . . . . . . . . . . . . . . 84
5.8. Diagrama esquemático de una unidad de procesamiento . . . . . . . . . . . . . . 84
5.9. Diferentes funciones de activación . . . . . . . . . . . . . . . . . . . . . . . . . 85
5.10. Red Neuronal de adelanto con una capa oculta (FFANN) . . . . . . . . . . . . . 87
5.11. Calculo de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
5.12. Perceptron de dos entradas y una salida . . . . . . . . . . . . . . . . . . . . . . 88
5.13. FFANN con capa oculta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
5.14. Cantidad de neuronas en interfaz . . . . . . . . . . . . . . . . . . . . . . . . . . 92
5.15. Entrenamiento de red neuronal artificial . . . . . . . . . . . . . . . . . . . . . . 93
5.16. Diagrama esquemático de la red neuronal . . . . . . . . . . . . . . . . . . . . . 93
Lista de figuras 10
5.17. Información del entrenamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
5.18. Botón de detectar gesto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
5.19. Taxonomía de Cutkosky . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
5.20. Mano relajada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
5.21. Gesto no prensil . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
5.22. Agarre palmar oblicuo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
5.23. Agarre esférico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
5.24. Agarre de pinza lateral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
5.25. Agarre de pinza simple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
5.26. Señal EMG mano relajada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
5.27. Gesto que se realizo en el momento de la señal . . . . . . . . . . . . . . . . . . . 99
5.28. Señales EMG mano estirada . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
5.29. Gesto que se realizo en el momento de la señal . . . . . . . . . . . . . . . . . . . 100
5.30. Señales EMG del agarre palmar oblicuo . . . . . . . . . . . . . . . . . . . . . . 101
5.31. Gesto que se realizo en el momento de la señal . . . . . . . . . . . . . . . . . . . 102
5.32. Señales EMG del agarre esférico . . . . . . . . . . . . . . . . . . . . . . . . . . 103
5.33. Gesto que se realizo en el momento de la señal . . . . . . . . . . . . . . . . . . . 103
5.34. Señales EMG de la pinza lateral . . . . . . . . . . . . . . . . . . . . . . . . . . 104
5.35. Gesto que se realizo en el momento de la señal . . . . . . . . . . . . . . . . . . . 105
5.36. Señales EMG de pinza simple . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
5.37. Gesto que se realizo en el momento de la señal . . . . . . . . . . . . . . . . . . . 106
6.1. Mano artificial de Daniel Humberto Sánchez Calderón . . . . . . . . . . . . . . 108
6.2. Prótesis de mano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
6.3. Sistemas cordenados de un dedo . . . . . . . . . . . . . . . . . . . . . . . . . . 110
6.4. Rango de movimiento del dedo antropomórfico . . . . . . . . . . . . . . . . . . 113
6.5. Diagrama para cinemática inversa . . . . . . . . . . . . . . . . . . . . . . . . . 114
6.6. Sistema coordenado para modelado dinámico . . . . . . . . . . . . . . . . . . . 116
6.7. Puntos ajustados para el modelo . . . . . . . . . . . . . . . . . . . . . . . . . . 118
6.8. Angulos de Euler en dedo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
6.9. Tendones para extensión y flexión . . . . . . . . . . . . . . . . . . . . . . . . . 119
6.10. Distribucion de los dedos de la mano, a) El pulgar, b) Otros 4 dedos . . . . . . . 120
6.11. Parametros para el calculo de ecuaciones . . . . . . . . . . . . . . . . . . . . . . 121
6.12. Pruebas de tensión, a) Fuerza de tensión, b) Módulo elástico . . . . . . . . . . . 124
6.13. Pruebas de flexión, a) Fuerza de flexión, b) Módulo de flexión . . . . . . . . . . 125
6.14. Comportamiento del material dependiendo del radio de expansión térmica . . . . 125
6.15. Pruebas termicas de radio de expansión térmica . . . . . . . . . . . . . . . . . . 126
6.16. Prueba de tracción del material . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
6.17. Ruptura del cuello de la probeta . . . . . . . . . . . . . . . . . . . . . . . . . . 127
6.18. Curva Esfuerzo-Deformación Nylon 6.6 . . . . . . . . . . . . . . . . . . . . . . 128
6.19. Servomotor Futaba S3003 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
6.20. Tipos de piezas utilizados en la base . . . . . . . . . . . . . . . . . . . . . . . . 130
6.21. Perfiles de la base con motores . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
Lista de figuras 11
6.22. Prótesis construida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
6.23. Movimiento de la prótesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
6.24. Agarres realizados por el modelo animado . . . . . . . . . . . . . . . . . . . . . 133
7.1. Logo de Simmechanics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
7.2. Enmallado de la mano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
7.3. Complemento Simscape Multibody Link en SolidWorks . . . . . . . . . . . . . 137
7.4. Exportar modelo SimMechanics . . . . . . . . . . . . . . . . . . . . . . . . . . 137
7.5. Archivos del modelo en SimMechanics . . . . . . . . . . . . . . . . . . . . . . . 138
7.6. Logotipo de Simulink . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
7.7. Secciones del diagrama en Simulink . . . . . . . . . . . . . . . . . . . . . . . . 140
7.8. a) Bloque de descripción, b) Bloque de tierra, c) Bloque de soldadura, d) Bloque
de articulación, e) Bloque de cuerpo . . . . . . . . . . . . . . . . . . . . . . . . 141
7.9. Gesto inicial en SimMechanics . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
7.10. Primer gesto en SimMechanics . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
7.11. Segundo gesto en SimMechanics . . . . . . . . . . . . . . . . . . . . . . . . . . 143
7.12. Tercer gesto en SimMechanics . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
7.13. Cuarto gesto en SimMechanics . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
7.14. Quinto gesto en SimMechanics . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
7.15. Conexión Arduino due y servomotores . . . . . . . . . . . . . . . . . . . . . . . 145
7.16. Mano relajada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
7.17. Mano extendida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
7.18. Agarre palmar oblicuo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
7.19. Agarre esférico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
7.20. Pinza lateral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
7.21. Pinza simple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
Lista de tablas
2.1. Articulaciones de los dedos y el pulgar . . . . . . . . . . . . . . . . . . . . . . . 27
2.2. Medidas falanges de cada dedo de la mano . . . . . . . . . . . . . . . . . . . . . 28
2.3. Medidas del pulgar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.4. Especificaciones y aplicaciones de Biopotenciales . . . . . . . . . . . . . . . . . 37
4.1. Consideraciones de diseño para biopotenciales . . . . . . . . . . . . . . . . . . . 57
5.1. Datos de mano relajada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
5.2. Datos de la mano estirada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
5.3. Datos agarre palmar oblicuo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
5.4. Datos agarre esférico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
5.5. Datos de pinza lateral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
5.6. Datos de pinza simple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
6.1. Propiedades de cada monómero . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
12
Lista de tablas 13
Resumen
Para una persona con amputación de mano, una prótesis mecánica o cosmética no
proporciona las funciones suficientes como para ser un remplazo aceptable del miembro
perdido, por esto este trabajo de grado realiza el control mioeléctrico de una prótesis
de mano derecha, por medio de señales musculares del antebrazo, de tal manera que se
puedan realizar ciertos movimientos y agarres con la prótesis solo al tensionar ciertos
músculos. Para la elaboración de este control, es necesario realizar una etapa de acon-
dicionamiento de señal, la cual consta de un amplificador de instrumentación y un filtro
pasabanda de octavo grado, a continuación, la señal adquirida por los 6 músculos filtrada
y amplificada, pasa por un conversor análogo digital para ser comunicada vía USB a un
computador. Es necesario poder garantizar una frecuencia de muestreo ya que, para hacer
un análisis de frecuencia, los datos deben ser equidistantes en tiempo para poder inter-
pretar correctamente los datos resultantes de transformada rápida de Fourier. Una vez
los datos en el computador, se procede a hacer un análisis en frecuencia para encontrar
patrones en ciertas muestras, y por medio de técnicas de inteligencia artificial, recono-
cer patrones en las señales entrantes y así detectar que movimientos se están realizando
interpretando las señales musculares. Ya interpretada la información es necesario enviar
las señales de cada servomotor, por un circuito de potencia, para mover las articulaciones
y así replicar el gesto en la prótesis de mano.
Capítulo 1
Introducción
1.1. Motivación
Las amputaciones son un problema mundial. Según el periódico El Tiempo, en el año
2006, en Colombia por cada 100 mil habitantes de 200 a 300 personas tienen algún tipo de
amputación [21]. Estas se pueden dar por razones de todo tipo, desde no traumáticas como
enfermedades, infecciones y problemas congénitos, hasta traumáticas como las resultantes
por accidentes, conflicto armado y mal uso de la pólvora en las festividades, la que aún
estando prohibida sigue cobrando víctimas [22, 15]. En las festividades de final de año del
2015, según Caracol Radio, hubo 414 personas lesionadas con pólvora, de las cuales 37
tuvieron que ser amputadas, de estas, 26 eran adultos y 11 niños [15]. Del mismo modo, a
finales del 2014, según el periódico El País, para las fechas de enero, ya había 79 amputados
en todo el país por el uso inadecuado de la pólvora, de los cuales 63 eran adultos y 16 eran
niños [16].
La calidad de vida de una persona tras una amputación cambia drásticamente. Las accio-
nes que la persona realizaba día a día, se ven afectadas, ya sea dificultando su ejecución o
imposibilitando completamente su realización. Para mejorar la situación de una persona con
este tipo de lesiones, desde antes de Cristo, se han realizado prótesis de miembro superior y
de miembro inferior, que han evolucionado de acuerdo con lo que ha permitido la tecnología
de la época, mejorando la funcionalidad de la persona con un miembro perdido [10].
Lo más cercano a un miembro superior perdido, sería un dispositivo, que, por medio de
señales musculares interprete y realice los movimientos que el usuario quiere, de manera que
la falta del miembro fuera en parte suplida. Por esta razón, se pretende realizar detección de
gestos a partir de señales de electromiografía superficial, con el fin de controlar una prótesis
de miembro superior simulada virtualmente.
1.2. Justificación
Acciones tan comunes y necesarias como comer, caminar, agarrar objetos, escribir y con-
ducir vehículos, entre otras, son operaciones motoras que requieren movimientos coordinados
14
CAPÍTULO 1. INTRODUCCIÓN 15
de una o más extremidades. Cuando hay ausencia de alguna extremidad, estos movimientos
se ven limitados y la calidad de vida de la persona se reduce, ya que empieza a ser dependiente
de que alguien o algo le ayude a realizar acciones vitales para su día a día.
La vida de una persona, después de una amputación, cambia críticamente. Aspectos im-
portantes como el trabajo, la movilidad, el deporte, la interacción con el medio en el que
convive y las relaciones interpersonales son alterados e incluso se llega hasta el punto de que
su realización resulte completamente imposibilitada [37]. Una persona sin el apoyo, la pre-
paración o recursos necesarios puede llegar a estar a la deriva, sin ningún modo de conseguir
los medios económicos para mantenerse, ni de movilizarse para buscar alimentos, ni incluso
consumirlos. Ante una situación de emergencia como un terremoto o un incendio, la proba-
bilidad de sobrevivencia de una persona en este estado se vería reducida drásticamente. Para
que la persona amputada pueda seguir realizando las acciones que antes ejecutaba con nor-
malidad por sí misma, necesitaría un dispositivo que cumpla con la función de su extremidad
perdida.
Para suplir las limitaciones de una persona en esta situación, se han utilizado prótesis de
miembro superior y de miembro inferior, estáticas o articuladas, controladas o no controladas,
de variados tamaños y estilos diseñados para diferentes necesidades [10].
Respecto a las prótesis de miembro superior, a diferencia de las de miembro inferior, la
necesidad de movimientos más coordinados y articulados es más marcada. Una prótesis de
miembro inferior, incluso no articulada, puede suplir las necesidades de una persona común
e incluso las necesidades de un atleta o deportista, cosa que no pasa con una prótesis de
miembro superior, que requiere movimientos articulados, control en la aplicación de fuer-
zas, precisión de movimiento, sensado de fuerza y velocidad de movimiento, teniendo más
exigencias para su correcto funcionamiento.
El objetivo principal de una prótesis, es homologar la extremidad perdida, de tal mane-
ra que su presencia y funcionamiento sea lo más transparente posible para la persona que
la use. Lo ideal sería que, por medio de intención de movimiento, el control de la prótesis
interpretara la intención del usuario y realizara el movimiento deseado, sin tener que acapa-
rar las funciones de otra extremidad o requerir un agente externo consciente. La técnica más
adecuada para satisfacer esta necesidad, es utilizar electromiografía de superficie para inter-
pretar esta intención de movimiento y, por medio de un procesamiento de señal, interpretar y
controlar los actuadores encargados de realizar el movimiento.
1.3. Antecedentes
En relación con el enfoque del tema a desarrollar en el trabajo de grado, se han realizado
múltiples investigaciones de todo tipo, que aportan información de utilidad respecto a cada
una de las etapas requeridas en el control por electromiografía de prótesis articuladas.
En la Universidad Militar Nueva Granada se han realizado varios proyectos relacionados
con el control de prótesis de miembro superior, los que van a ser mencionados a continuación.
Los ingenieros Julián Rondón y Gustavo Ocampo en el año 2006 diseñaron y construyeron
una mano robótica de cuatro dedos como se ve en la Figura 1.1, con 12 grados de libertad, 3
CAPÍTULO 1. INTRODUCCIÓN 16
grados por cada dedo (flexión, extensión y abducción), y cuyos actuadores eran servomotores
que por medio de poleas realizaban los movimientos de la mano [38].
Figura 1.1: Mano robótica de 4 dedos
El ingeniero Enrique Oliveros Acosta en el año 2013 continuó trabajando en el proyecto
anteriormente mencionado del 2006, utilizando una interfaz virtual, como se ve en la Figura
1.2 donde se podía visualizar los movimientos del sistema mecánico ya digitalizado con una
interfaz de comunicación con la mano robótica física[5].
Figura 1.2: Interfaz virtual en Matlab
Los ingenieros Camilo Andrés Riaño Ríos y Virgilio Eduardo Quintero Machado en el
CAPÍTULO 1. INTRODUCCIÓN 17
2010 realizaron el control de una mano virtual usando señales electromiográficas adquiridas
por un brazalete con electrodos, para detección de gestos como se ve en la Figura 1.3 [32].
Figura 1.3: Mano virtual controlada por electromiografía
Los ingenieros Vladimir Pizarro de la Hoz y Giovanny Alberto Rincón Sánchez en el
año 2012, con la colaboración de la Universidad Estatal de Campinas de Brasil, realizaron
una mano biomecatrónica, como se ve en la Figura 1.4, con unos actuadores que permitían
controlar solo flexión y extensión, reduciendo los grados de libertad, pero disminuyendo el
costo del proyecto[14].
Figura 1.4: Mano robótica de bajo costo
En Sídney-Australia, en la UTS (University of Technology of Sídney), en el año 2012 se
hizo un estudio sobre las señales electromiográficas resultantes en diferentes tipos de gestos,
como se ve en la Figura 1.5, este estudio se hizo una población de 6 hombres y dos mujeres
entre 20 y 35 años[17].
Figura 1.5: Gestos considerados
CAPÍTULO 1. INTRODUCCIÓN 18
En la Figura 1.6 se puede ver el diagrama de bloques de todo el sistema.
Se utilizaron dos electrodos en el antebrazo, con el cual se adquirieron las señales mio-
gráficas que después de pasar por un acondicionamiento, se les realizo un procesamiento para
ser clasificadas en movimientos y postprocesadas [17].
Figura 1.6: Diagrama de bloques del sistema
Una vez se clasifican las señales, se realiza un postprocesamiento para decidir cuál movi-
miento se asemeja más con las señales adquiridas [17].
En Shangai-China, en la Shanghai Jiao Tong University, en el año 2014, desarrollaron
una interfaz humano-computadora a partir de señales de SEMG y NIRS (Electroscopía de
Infrarrojo Cercano), como se puede ver en la Figura 1.7 [57].
Figura 1.7: Diagrama esquemático del sistema inalámbrico de SEMG y NIRS
CAPÍTULO 1. INTRODUCCIÓN 19
El sistema consiste en un módulo de acondicionamiento de señal, tanto la señal de elec-
tromiografía como la señal de electroscopía de infrarrojo cercano, después entra un módulo
de procesamiento de señal, que por medio de una tarjeta de Texas Instruments, realiza el pro-
cesamiento digital y la comunicación con un PC a través de bluetooth [56], como se ve en la
Figura 1.8.
Figura 1.8: Módulos de acondicionamiento (a), procesamiento de señal (b) y módulo de
alimentación (c)
1.4. Objetivos
1.4.1. Objetivo General
Capturar y procesar señales de electromiografía superficial – EMGs para realizar la ex-
tracción de características para el control de una prótesis de miembro superior – Mano.
1.4.2. Objetivos Específicos
Diseñar un circuito electrónico de filtrado y amplificación con el fin de adquirir las
señales electromiográficas necesarias y ajustar la amplitud del potencial, para poder
introducir los datos en una unidad de procesamiento y tener información útil.
Realizar una interfaz utilizando técnicas de inteligencia artificial, para reconocer patro-
nes y detectar gestos manuales.
CAPÍTULO 1. INTRODUCCIÓN 20
Realizar un banco de pruebas que permita la validación experimental del sistema, para
ello se diseñará e implementará la electrónica necesaria tanto para la captura y genera-
ción de señal de gestos manuales, así como de actuación para el control de motores.
1.5. Organización del documento
Para dar una idea general de la estructura del documento, se presenta de manera breve
la distribución de este trabajo de investigación partiendo por cada capítulo y explicando de
manera bastante generalizada su contenido.
Inicialmente se encuentra una introducción dando una entrada a la temática tratada, ex-
plicando el propósito, la justificación, algunos estudios que ya se han realizado del tema y los
objetivos y el alcance del proyecto que se va a realizar.
En el siguiente capítulo, el capítulo dos, se encuentra lo referente al marco teórico, que
abarca toda la información y el conocimiento necesario para poder realizar un correcto diseño
del proyecto, dentro de esta información se encuentran los movimientos que realiza la mano
y la muñeca, su anatomía y medidas estándar; los músculos encargados de realizar cada mo-
vimiento y breves explicaciones y especificaciones de los biopotenciales del cuerpo humano
y específicamente del estudio de la electromiografía.
En el siguiente capítulo, el capítulo 3, se encuentra lo referente con las generalidades del
sistema completo, en este capítulo se explica cada parte del sistema completo dividiendo el
sistema en dos partes, la adquisición y digitalización de la señal y en la parte computacional
de procesamiento y reconocimiento de gestos.
En el siguiente capítulo, el capítulo 4, se encuentra todo lo referente a la adquisición y
digitalización de la señal electromiográfica, es decir, la amplificación de instrumentación, su
filtrado, su digitalización y el envío de datos por comunicación serial a la unidad de procesa-
miento.
En el siguiente capítulo, el capítulo 5, se encuentra todo lo referente a la recepción de
datos, su procesamiento y su análisis con redes neuronales para la detección de patrones,
todo mediante el uso de la interfaz realizada para el proyecto.
En el siguiente capítulo, el capítulo 6, se encuentra todo lo referente a la prótesis de
mano sus cálculos de movimiento, cinemáticas, materiales de construcción, locomoción y
transmisión de potencia.
En el siguiente capítulo, el capítulo 7, se encuentra todo referente con la animación virtual
y el movimiento de los dedos físicos, todo lo referente a la estructura en simmechanics, los
diferentes gestos animados desde diferentes ángulos y el movimiento por servomotores de la
prótesis con dos dedos para adecuar a los gestos ya escogidos.
Capítulo 2
Marco Teórico
2.1. La mano humana
Para las consideraciones de la prótesis, es necesario comprender la estructura y funcio-
namiento de una mano humana en pleno funcionamiento. La mano humana es un sistema
complejo creado por la naturaleza, tanto así que hasta el día de hoy por más de que se han
creado varias imitaciones que pueden suplir de cierta forma algunas de sus funciones, ningu-
na ha podido replicar todo su mecanismo y todos sus movimientos [46]. En esta sección se
pretende ver más a detalle los movimientos de la mano y la muñeca, la anatomía de la mano
humana y sus componentes que hacen que pueda realizar todos los movimientos de agarre
necesarios.
2.1.1. Movimientos mano y muñeca
Pronación y supinación en muñeca
El movimiento de pronación consiste en la rotación de todo el antebrazo de manera que
la palma de la mano se junte con el dorso de la persona. En cambio, la supinación consiste
en el movimiento rotatorio del antebrazo que hace que la mano quede apuntando hacia arriba
[18].
Ambos movimientos se pueden apreciar más fácilmente en la Figura 2.1 [33].
21
CAPÍTULO 2. MARCO TEÓRICO 22
Figura 2.1: Pronación y supinación
Flexión y extensión de la muñeca
La flexión de muñeca es el movimiento que hace que la superficie palmar de la mano se
acerque a la superficie anterior del antebrazo. Su movimiento antagonista es la extensión, la
cual consiste en acercar el dorso de la mano a la superficie posterior del antebrazo [18].
La flexión y extensión de muñeca se pueden aprecias más fácilmente en la Figura 2.2 [4].
Figura 2.2: Flexión y extensión de muñeca
Flexión y extensión de dedos
La flexión de los dedos es el movimiento que se realiza cuando se cierra un puño, consiste
en contraer las falanges de los dedos en un movimiento que los acerca a la palma de la mano.
De manera contraria, la extensión consiste en el movimiento que se realiza cuando se abre la
mano estirando los dedos de manera paralela a la palma [18].
CAPÍTULO 2. MARCO TEÓRICO 23
La flexión y extensión de los dedos se puede apreciar de mejor manera en la Figura2.3
[44].
Figura 2.3: Flexión y extensión de dedos
Abducción y aducción de la muñeca
El movimiento de abducción consiste en un movimiento de inclinación de la muñeca
donde el pulgar se acerca al borde radial del antebrazo. De manera opuesta la aducción es
una inclinación de la mano hacia el borde interno también llamado borde cubital [18].
La abducción y aducción de la muñeca se puede apreciar más fácilmente en la Figura 2.4
[4].
Figura 2.4: Abducción y aducción de muñeca
Abducción y aducción de dedos
La abducción de dedos es el movimiento que consiste en el desplazamiento de los dedos
en el plano palmar, haciendo que cada dedo se aleja del otro. De manera opuesta, la aducción
de dedos consiste en el movimiento de los dedos en el plano palmar de manera que todos se
junten como muestra la Figura a continuación [18].
CAPÍTULO 2. MARCO TEÓRICO 24
La abducción y aducción de los dedos se puede apreciar más fácilmente en la Figura 2.5
[4].
Figura 2.5: Abducción y aducción dedos
Oposición y reposición del pulgar
La oposición es el movimiento con el cual la yema del pulgar se acerca a otra yema
digital. De manera opuesta, la reposición es el movimiento en el cual el pulgar se aleja desde
la posición de oposición hasta su posición anatómicamente normal [18].
La oposición y reposición del pulgar se puede apreciar más fácilmente en la Figura 2.6
[20].
Figura 2.6: Oposición y reposición del pulgar
2.1.2. Anatomía de la mano humana
Los huesos de la mano estan ubicados de tal forma, que se generan 3 ejes en toda su
estructura, como se puede evidenciar en la Figura 2.7 [46].
CAPÍTULO 2. MARCO TEÓRICO 25
Figura 2.7: 3 ejes de la mano
Estos ejes estan divididos en 2 clases, en el eje longitudinal, representado en la imagen por
una linea segmentada, y los dos ejes transversales, representado por las dos lineas contínuas
al inicio y al final de los metacarpos.
La disposición de estos dos ejes curvos, es la que le da la posibilidad a la mano de realizar
sus diferentes agarres y de realizar la suficiente presión en cada uno, para así poder adaptarse
con versatilidad a las diferentes geometrias y superficies según se necesite [46].
La mano humana está conectada al brazo a través de la muñeca, esta posee 27 huesos
principales repartidos en tres zonas [5], como se ve en la Figura 2.8 [43]:
La primera zona está conformada de 8 huesos carpianos, esos sirven como estructura
de apoyo.
La segunda zona está conformada de 5 huesos meta carpianos, estos huesos son los que
forman la palma de la mano.
La tercera zona está conformada de las 14 falanges de los dedos, estas se dividen es
proximales, medias y distales.
Figura 2.8: Las 3 zonas de la mano
CAPÍTULO 2. MARCO TEÓRICO 26
La palma es la encargada de unir la muñeca con los dedos, esta posee unos ligamentos
que le permiten que la muñeca se mueva con 3 grados de libertad como lo muestra la Figura
2.9 [46].
Figura 2.9: Ligamentos de la palma con su orientación
Los dedos del 2 al 5 poseen 3 articulaciones, una entre los huesos metacarpianos y la
falange distal, la segunda entre la falange distal y la falange medial y la última entre la falange
medial y la falange proximal [5]:
La primera la articulación metacarpiana posee dos grados de libertad, uno de flexión-
extensión con un rango de movimiento de 120° y el otro de aducción-abducción con
un rango de movimiento de 30°.
La segunda es la articulación interfalange proximal, la cual tiene movimiento de flexión-
extensión con un rango de 100°.
La tercera es la articulación interfalange distal, la cual tiene movimiento de flexión-
extensión con un rango de 30°.
El dedo pulgar a pesar de tener menos huesos y articulaciones, como se ve en la Figura 2.10
[42], tiene un mecanismo más complejo ya que posee 3 grados de libertad, posee movimiento
de flexión-extensión con un rango de 120° y movimiento de aducción-abducción con un rango
de 45° en la articulación carpo metacarpiana, la otra articulación que tiene el dedo pulgar
es la metacarpiana con movimientos de flexión-extensión con un rango de 50° y aducción-
abducción con un rango de 30° [5].
CAPÍTULO 2. MARCO TEÓRICO 27
Figura 2.10: Falanges distal, medial y proximal
En el Cuadro 2.1 [42], se puede ver más a detalle las articulaciones concernientes a los
dedos y el pulgar, cada una con la cantidad de grados de libertad que tiene, y su rango de
desplazamiento dependiendo del tipo de movimiento.
Tabla 2.1: Articulaciones de los dedos y el pulgar
Extremidad Articulación
Grados
de
libertad
Rango en grados
de Flexión-
Extensión
Rango en grados de
Abducción-
Aducción
Dedos DIP 1 60 -
Dedos PIP 1 100 -
Dedos MCP 2 90 60
Pulgar IP 1 85 -
Pulgar MCP 2 50 30
Pulgar CMC 2 120 40
2.1.3. Medidas de la mano humana
Las medidas de la mano humana cambian en todos los seres humanos dependiendo de
la altura, el sexo, la edad, los genes, entre otros factores. Sin embargo, después de una serie
de estudios, se encontraron medidas promedio de estos huesos, para hacer un estudio apro-
ximado de cuanto deberían medir los huesos de la mano [46], estas medidas se muestran en
Cuadro 2.2 [46].
CAPÍTULO 2. MARCO TEÓRICO 28
Tabla 2.2: Medidas falanges de cada dedo de la mano
Extremidad Falange Distal
(mm)
Falange
Media (mm)
Falange Proximal
(mm)
Metacarpo
(mm)
Pulgar 21.67 ± 1.60 - 31.57 ± 3.13 46.22 ±
3.94
Índice 15.82 ± 2.26 22.38 ± 2.51 39.78 ± 4.94 68.12 ±
3.94
Corazón 17.40 ± 1.85 26.33 ± 3.00 44.63 ± 3.81 64.60 ±
5.38
Angular 17.30 ± 2.22 25.65 ± 3.29 41.37 ± 3.87 58.00 ±
5.06
Meñique 15.96 ± 2.45 18.11 ± 2.54 32.74 ± 2.77 53.69 ±
4.36
Para entender de donde a donde se tomaron las medidas, es necesario entender cuáles son
las 4 vistas de la mano, para esto en la Figura 2.11 [39], se muestran las orientaciones de las
vistas palmar, dorsal, proximal y distal.
Figura 2.11: Ejes de la mano
Las medidas se tomaron entre la articulación metacarpofalángica por la cara dorsal, hasta
el extremo distal de los dedos. La longitud de cada falange se midió por la cara dorsal de la
mano, la falange proximal se tomó entre la articulación metacarpofalángica y la interfalángica
proximal, la falange media se tomó entre la articulación interfalángica proximal y las distal,
y finalmente la falange distal entre la articulación interfalángica distal y el extremo de los
dedos, estas longitudes de muestran en el Cuadro 2.3 [46].
CAPÍTULO 2. MARCO TEÓRICO 29
Tabla 2.3: Medidas del pulgar
Hueso Longitud
Metacarpo 73.2
Falange Proximal 45.7
Falange Media 32.1
Falange Distal 17.7
2.2. Músculos del antebrazo encargados del movimiento
de la mano y su función
Respecto al área de interés, que es el antebrazo, los músculos esqueléticos son importan-
tes debido a que se encargan del movimiento voluntario de la mano. Estos, como se puede
ver en la Figura 2.12, son músculos que se unen a huesos por medio de tendones, que al con-
traerse, producen movimientos de los huesos a los que se encuentran sujetos. Los músculos
esqueléticos están compuestos de múltiples fibras musculares que se encuentran agrupadas
en fascículos, estos a su vez están recubiertos por una delgada membrana llamada perimisio
que ayuda a mantener las fibras unidas. Estos músculos, debido a la cantidad de sangre que
se bombea por ellos, son de un color rojo característico, así mismo los vasos sanguíneos de
este musculo son largos y con forma de espiral para poderse acomodar entre los fascículos e
irrigar el musculo [32].
Figura 2.12: Músculo esqueletico
CAPÍTULO 2. MARCO TEÓRICO 30
En lo que respecta a la zona muscular del antebrazo, está constituida por tres regiones y
en total 20 músculos[32]:
Región anterior: Esta, como se ve en la Figura 2.13, tiene cuatro planos musculares
que parten desde el más superficial al más profundo en este mismo orden. En el Primer
plano se encuentra el músculo pronador redondo, palmar mayor, palmar menor y el cu-
bital anterior. El segundo plano se constituye únicamente por el músculo flexor común
superficial de los dedos. El tercer plano consta de los músculos flexor común profundo
de los dedos y el flexor largo del pulgar. Fínalmente el último y cuarto plano consta
únicamente de un solo músculo que es el pronador cuadrado.
Figura 2.13: Región anterior del antebrazo
Región posterior-externa: Esta, como muestra la Figura 2.14, está compuesta de cua-
tros músculos mencionados en orden del más superficial al más profundo, estos son el
braquiorradial, el extensor radial largo del carpo, el extensor radial corto del carpo y el
supinador corto.
CAPÍTULO 2. MARCO TEÓRICO 31
Figura 2.14: Región posterior-externa
Región posterior: Esta posee 8 músculos que se dividen en un plano superficial y un
plano profundo. En el plano superficial está el ancóneo, el extensor común de los dedos,
el extensor propio del meñique, y el extensor cubital posterior. En el plano profundo
esta el músculo extensor corto del pulgar, el músculo abductor largo del pulgar, el
músculo extensor largo del pulgar y el músculo extensor propio del índice.
Figura 2.15: Región posterior a) plano superficial, b) plano profundo
CAPÍTULO 2. MARCO TEÓRICO 32
A continuación, se verán algunos de los músculos del antebrazo que tienen acceso más su-
perficial, para su implantación de electrodos, con su respectiva función respecto a los movi-
mientos que puede hacer el antebrazo.
El músculo flexor radial del carpo, que se ve en la sección a) de la Figura 2.17, sirve
como flexor principal de la muñeca, con tendencia a su abducción .Es un músculo que solo
está presente en un 13% de la población mundial, se puede apreciar en la Figura 2.16 [9].
Figura 2.16: Presencia y ausencia del tendón
El músculo palmar largo, que se ve en la sección b) de la Figura 2.17, está encargado de
la oposición del dedo pulgar, este movimiento se utiliza al realizar un movimiento de pinza
que resulta cuando el dedo meñique y el pulgar se tocan. El músculo braquiorradial, que se
ve en la sección c) de la Figura 2.17, flexiona el antebrazo a nivel del codo. Cuando el brazo
está pronado, el braquiorradial tiende a supinar el antebrazo a medida que lo flexiona. En una
posición supinada, tiende a pronación con la flexión del mismo[9].
Figura 2.17: a) Músculo flexor radial del carpo, b) Músculo palmar largo, c) Músculo bra-
quiorradial
CAPÍTULO 2. MARCO TEÓRICO 33
El músculo flexor cubital del carpo, que se ve en la sección a) de la Figura2.18, se encarga
de la flexión y aducción de la muñeca. El músculo extensor cubital del carpo, que se ve en la
sección b) de la Figura 2.18, se encarga de la extensión y aducción de la muñeca. El músculo
extensor propio del meñique, que se ve en la sección c) de la Figura 2.18, es el encargado de
la extensión de la muñeca y extensión de la primera falange del dedo meñique [9].
Figura 2.18: a) Músculo flexor cubital del carpo, b) Músculo extensor cubital del carpo, c)
Músculo extensor propio del meñique
El músculo extensor de los dedos, que se ve en la sección a) de la Figura 2.19, se encarga
de la extensión de la muñeca y de las falanges de los dedos 2, 3, 4 y 5. El músculo flexor
largo del pulgar, que se ve en la sección b) de la Figura 2.19, flexiona la falange distal sobre
la falange proximal y esta sobre el primer hueso del metacarpiano. El músculo flexor común
superficial de los dedos, que se ve en la sección c) de la Figura 2.19, es el encargado de la
flexión de la muñeca y de las falanges de los dedos 2, 3, 4 y 5 [9].
Figura 2.19: a) Músculo extensor de los dedos, b) Músculo flexor largo del pulgar, c) Músculo
flexor común superficial de los dedos
CAPÍTULO 2. MARCO TEÓRICO 34
El músculo extensor radial largo del carpo, que se ve en la sección a) de la Figura 2.20, es
extensor y abductor de la muñeca. El músculo extensor radial corto del carpo, que se ve en la
sección b) de la Figura 2.20, es extensor y abductor de la muñeca. El músculo extensor largo
del pulgar, que se ve en la sección c) de la Figura 2.20, es un extensor de la fanage terminal
del dedo pulgar [9].
Figura 2.20: a) Músculo extensor radial largo del carpo, b) Músculo extensor radial corto del
carpo, c) Músculo extensor largo del pulgar
2.3. Biopotenciales
En el siglo XVIII los egipcios y los griegos empezaron a notar que si se les aplicaba
electricidad a los músculos estos reaccionaban con una contracción, encontrando la relación
directa de la electricidad con las funciones del cuerpo. Después de muchos estudios, se deter-
minó que para cada movimiento muscular antes tenía que haber un impulso eléctrico, al cual
se le llamó biopotencial [32].
El tejido muscular está compuesto de fibras musculares largas y delgadas en forma de
huso, estas fibras a la vez están compuesta por unas miofibrillas más pequeñas cuyos princi-
pales componentes son dos proteínas, la miosina y la actina, que permiten que estas fibras se
contraigan para realizar un movimiento [32].
El tejido nervioso, encargado del control de las fibras musculares, está compuesto por
células especializadas en la conducción de impulsos eléctricos llamadas neuronas. Existen
dos tipos de neuronas, las neuronas nerviosas encargadas de producir los impulsos eléctricos
del sistema nervioso y las neuronas neurogliales encargadas del procesamiento cerebral de
la información. Las neuronas pueden ser también tanto bipolares como multipolares, cuya
principal diferencia es que las neuronas multipolares tienen un axón y varias dendritas, como
se puede observar en la Figura 2.21, mientras que las neuronas bipolares tienen solo dos [32].
CAPÍTULO 2. MARCO TEÓRICO 35
Figura 2.21: Neurona Multipolar
La estructura básica de una neurona se puede ver en la Figura 2.21, las partes principa-
les de una neurona son dendritas, núcleo y axón. Las neuronas tienen un potencial eléctrico
entre el rango de 60 y 90 mV, que se encuentra entre el interior y el exterior de la célula que
están separados por una membrana celular con permeabilidad selectiva a los iones eléctricos.
Las neuronas para cambiar los potenciales utilizan neurotransmisores, los cuales cruzan por
sinapsis e interactúan con el axón de la neurona siguiente, haciendo que esta cambie de po-
tencial al reaccionar al estímulo debido a una reacción que convierte la energía química del
neurotransmisor a energía eléctrico [32].
Los biopotenciales no solo se limitan a los músculos, muchos otros órganos producen
también biopotenciales, como el corazón, el cerebro y los ojos. Estas señales se denominan
de electrocardiografía para el corazón, electroencefalografía para el cerebro, electromiografía
para los músculos y de electrooculografía para las señales provenientes de los ojos. Estas
señales limpias se pueden observar en la Figura 2.22 donde se muestra el comportamiento de
cada tipo de onda dependiendo del órgano del que se extraigan [52].
CAPÍTULO 2. MARCO TEÓRICO 36
Figura 2.22: Señales a) ECG, b) EEG, c) EMG, d) EOG
Estas señales de biopotenciales, se adquieren por medio de electrodos dedicados para
interactuar con estos órganos y obtener las señales respectivas mezcladas con una cantidad
de ruido de otras fuentes. El procedimiento para captar estas señales y convertirlas en fun-
cionales consiste en utilizar un amplificador de precisión, con alta impedancia y bajo ruido
eléctrico, adicionalmente a esto es necesario tener una serie de filtros encargados de atenuar
considerablemente la interferencia eléctrica y el ruido incluido en la señal adquirida. Cada
tipo de señal tiene un ancho de banda específico y un rango de amplitud dependiendo del
órgano que la genere, como se ve en la Tabla 2.4 [52].
CAPÍTULO 2. MARCO TEÓRICO 37
Tabla 2.4: Especificaciones y aplicaciones de Biopotenciales
Fuente Amplitud
(mV)
Ancho de
banda (Hz)
Sensor
(Electro-
dos)
Fuente de
error en
medida
Aplicaciones
ECG 1 a 5 0.05 a 100 Ag-AgCl
desecha-
bles
Movimiento
del artefacto,
interferencia
de 50/60 Hz
por la línea de
alimentación
Diagnóstico de
isquemia,
arritmia y
defectos en la
conducción de la
sangre
EEG 0.001 a
0.01
0.5 a 40 Enchapados
de oro o
reusables
de
Ag-AgCl
Ruido térmico
de Johnson-
Nyquist, ruido
por radio
frecuencias e
interferencia
de 50/60 Hz
por línea de
alimentación
Estudios de
sueño, detección
de convulsiones,
mapeos
corticales
EMG 1 a 10 20 a 2000 Electrodos
de Ag o
carbón y
agujas de
acero
inoxidable
Ruido por
radio
frecuencias e
interferencia
de 50/60 Hz
por línea de
alimentación
Análisis de
función
muscular,
enfermedades
neuromusculares
y prótesis
EOG 0.01 a 0.1 0 a 10 Ag-AgCl Movimiento
de potencial
de la piel
Posición del ojo,
estado de sueño,
reflejo
vestíbulo-ocular
2.3.1. Señales de electromiografía
El estudio de conducción de nervios, o NCS por sus siglas en inglés, es una técnica neuro-
fisiológica que capta las señales provenientes de fibras sensoriales y motoras que reaccionan
a estímulos eléctricos enviados por el sistema nervioso. La electromiografía es una exten-
sión de este, fue diseñada por un físico para realizar examinación clínica que pudiera dar
información a preguntas clínicas, por medio del análisis del comportamiento de estas señales
[47].
La electromiografía es el estudio electrofisiológico de sistema neuromuscular, parte de
la palabra “Mioelétrico” que proviene de las palabras griegas “Myo” que significa músculo
y “elektro” que significa electricidad. La electromiografía se utiliza para registrar las va-
CAPÍTULO 2. MARCO TEÓRICO 38
riaciones de potencial que se producen en las fibras musculares como consecuencia de la
despolarización de sus membranas durante la contracción espontanea o voluntaria [32].
Las señales electromiográficas se generan siempre y cuando exista algún músculo activo,
se adquieren por electrodos posicionados en un grupo muscular ya sea superficialmente o
de manera invasiva en el cuerpo. Este tipo de electrodos están hechos de cloruro de plata o
enchapado de oro, son pequeños y de buena adherencia. Cuando se colocan electrodos en
dos músculos antagonistas, se pueden capturar señales electromiográficas que describan la
fuerza generada por este grupo muscular. Estas señales tienen mayores frecuencias y mayores
amplitudes que las señales de ECG y EEG por lo cual para diferenciarlas de estas solo se
requiere un simple filtro pasabanda con límite inferior de 20 Hz y un límite superior de
500Hz en caso de que se adquieran por medio de electromiografía de superficie [52].
Dependiendo del tipo de electrodos que se utilice, invasivos o no invasivos, la electro-
miografía se puede clasificar en SEMG o electromiografía de superficie y needle EMG o
electromiografía de aguja (invasiva). Debido a que la electromiografía de aguja es utilizada
en casos más clínicos para detectar trastornos miógenos o neurogenos y requiere una mayor
estabilidad en el proceso y necesidad de insertar un objeto invasivo en el cuerpo, para es-
ta aplicación de control mioeléctrico se pretende utilizar electromiografía de superficie para
facilitar más este proceso [32].
En el momento de tomar la señal, hay unos factores que influyen en la medición de esta.
Estos factores se dividen en factores causales, factores intermedios y factores determinísticos
[32]:
Factores Causales:
Estos son los relacionados a las características fisiológicas, anatómica y bioquímicas
del músculo como lo son el tipo de las fibras musculares, el diámetro de la fibra, la
capacidad de contracción de las fibras y otras características que varían dependiendo
del paciente.
Factores intermedios:
Estos son los relacionados a fenómenos físicos y fisiológicos que afectan directamente
a los factores determinísticos y son influenciados por los factores causales, como por
ejemplo la temperatura o la humedad.
Factores determinísticos:
Estos son los que tienen impacto directo a la información de la señal como lo son el
ruido eléctrico, la interacción mecánica entre las fibras, las unidades motoras activas,
entre otras.
Contraindicaciones y recomendaciones de uso
El uso de electromiografía tiene unas pocas contraindicaciones para que no cause lesiones
o daños a la integridad del usuario y ciertas recomendaciones para su correcto uso [47]:
CAPÍTULO 2. MARCO TEÓRICO 39
La electromiografía está contraindicada a personas que posean marcapasos cardiaco,
ya que una corriente puede afectar el funcionamiento de este y generar grandes daños
a la salud.
El procedimiento de tomar las señales electromiográficas es sensible a la temperatura,
la baja temperatura produce baja conducción en el nervio, latencia motora distal pro-
longada, velocidad de conducción lenta y respuesta prolongada, por lo cual se sugiere
que si es necesario repetir la toma de señales se haga con temperaturas similares a la
primera vez.
También es importante tener cuidado con el calentamiento de las extremidades por
el uso de electromiografía, ya que pacientes con neuropatía sensorial pueden resultar
quemados por calor excesivo.
Los electrodos deben estar conectados siempre a la misma extremidad para evitar paso
de corrientes por el pecho que puedan afectar el funcionamiento del corazón.
2.3.2. Electrodos
Existen diferentes tipos de electrodos para captar señales de biopotenciales, dependiendo
de su lugar de extracción y si es invasivo o no invasivo. Algunas características de las señales
extraídas, como la amplitud o el ancho de banda, dependen de las propiedades eléctricas de
los electrodos, por ejemplo, el rango de frecuencias de una señal extraída por electrodos de
inserción es mucho mayor a si las señales son captadas por medio de electrodos de superficie.
Para señales de electromiografía se utilizan principalmente dos tipos de electrodos:
Electrodos de inserción o profundos: Estos recogen la actividad eléctrica del músculo
mediante inserción de una aguja para una mayor cercanía al nervio. Los hay de dos
clases, monopolares que consisten en una aguja de longitud recortada que toman un
potencial respecto a la piel o algún tejido subcutáneo con otro electrodo, o los hay
coaxiales, que consisten en una aguja hipodérmica con filamentos conductores den-
tro de ella aislados de la aguja exterior para poder captar un potencial interno en el
músculo. Estos se pueden ver en la gráfica de la Figura 2.23[36].
CAPÍTULO 2. MARCO TEÓRICO 40
Figura 2.23: Electrodos de inserción, a) Tipo Monopolar, b) Tipo Coaxial
Electrodos de superficie: Son los electrodos comúnmente utilizados en electromiogra-
fía de superficie, son discos circulares aproximadamente de 1cm de diámetro, hechos
de aleaciones de plata o platino para mejor conductividad, se utiliza también un gel
conductor sobre la piel para mejorar la adquisición de la señal [32]. Con estos electro-
dos superficiales se detectan las frecuencias generales de las señales musculares, pero
las señales de baja o alta frecuencia no son detectadas por este tipo de transductores,
por esto se utilizan más que todo, para determinación de latencias en pruebas de con-
ducción y en estudios cinesiológicos [36]. La estructura de este tipo de electrodo se
muestra en la Figura 2.24.
Figura 2.24: Electrodos de superficie
Los electrodos de superficie se clasifican dependiendo del material en el que sean elaborados
principalmente en las siguientes clases:
Electrodos de plata y de cloruro de plata: Estos son los electrodos clásicos que consisten
en una sección de plata o de cloruro de plata con una conductividad alta conectado
al cuerpo humano con un gel electrolítico, el cual consiste normalmente en una base
de cloruro de sodio o de potasio con una concentración del orden de 0.1 M, para no
CAPÍTULO 2. MARCO TEÓRICO 41
causar irritación en la piel. Este diseño de electrodos es reconocido por producir los
potenciales en las uniones más bajos y más estables.
Figura 2.25: Electrodos Ag/ AgCl
Este tipo de electrodos visualizados en la Figura 2.25, reusables están hechos de discos
de plata recubiertos de cloruro de plata o alternativamente partículas de plata y de
cloruro de plata unidas en una estructura metálica, alrededor de esto hay una espuma
adhesiva no alergénica recubierta del gel electrolítico. Aparte de este tipo de electrodos,
existen otros utilizados para caso ambulatorios o de uso prolongado como se ven en la
Figura2.26, que utilizan cinta adhesiva de doble lado para asegurar el electrodo a un
pad de espuma [52].
Figura 2.26: Electrodo con cinta adhesiva
Electrodos de oro: Estos tienen la ventaja de alta continuidad e inercia deseadas en un
electrodo reusable. Son comúnmente usados en aplicaciones de electroencefalografía,
pero también en aplicaciones de electromiografía que requieren gran movilidad, suelen
ser de pequeño tamaño para que puedan ser sujetados de manera segura al cuerpo. Este
tipo de electrodos tiene un orificio como se puede ver en la Figura2.27, poseen un
espacio para que se le aplique gel electrolítico por medio de un agujero elaborado para
este propósito.
CAPÍTULO 2. MARCO TEÓRICO 42
Figura 2.27: Electrodo de placas de oro
Los electrodos son colocados en áreas libres de pelos con adhesivos especiales para este
propósito, con bandas elásticas o con mallas de alambre. Respecto a los electrodos de
plata, estos electrodos de placas de oro son más costosos, tienen mayores potenciales
en las uniones y son susceptibles a artefactos móviles. Por otro lado, tienen la ventaja
respecto a otros de tener baja impedancia, son inertes, reusables, y tienen un buen
desempeño para mediciones cortas desde que se le suministre el gel electrolítico y
estén sujetos apropiadamente [52].
Electrodos de polímero conductor: Estos electrodos visualizados en la Figura 2.28,
están diseñados para que tengan un material que sea tanto conductor como adhesivo
tomando ciertos materiales poliméricos con propiedades adhesivas y adicionándoles
iones monovalentes metálicos para hacerlos conductores.
Figura 2.28: Electrodo de polímero conductor
Estos polímeros son pegados a un fondo hecho de plata o aluminio para permitir la
extracción de la señal por conducción eléctrica. Este electrodo a diferencia de los ante-
riores no requiere gel electrolítico para su funcionamiento, lo que permite su uso inme-
diato sin necesidad de mucha preparación. Este electrodo tiene un bajo costo, también
tiene una alta resistividad por lo cual no es adecuado para señales de bajo nivel, aparte
de esto no se adhiere tan efectivamente como los otros electrodos a la piel por lo que
las señales provenientes de este, son más perturbadas por el movimiento[52].
CAPÍTULO 2. MARCO TEÓRICO 43
Electrodos de metal o de carbón: Este tipo de electrodos son poco comunes, se uti-
lizaban en instalaciones médicas como clínicas, hospitales y laboratorios debido a su
construcción robusta y reusabilidad. Es necesario aplicar el gel electrolítico en el me-
tal del electrodo para pegar el electrodo al cuerpo. Son electrodos incomodos de usar,
pero para aplicaciones médicas tienen la ventaja de poderse usar ilimitadamente. Los
electrodos de carbón o de polímero impregnado con carbono también tienen caracte-
rísticas similares, con la diferencia de que son usados principalmente en simulaciones
eléctricas. Este tipo de electrodos tiene una resistividad mucho más alta y son más sus-
ceptibles al ruido y a otros dispositivos, pero tienen la ventaja de ser flexibles, reusables
y baratos[52].
El electrodo se posiciona en el lugar donde se capten más fibras musculares, para que la señal
sea más fuerte. Lo ideal es localizar el electrodo en la mitad de toda la extensión del grupo
muscular al cual se le quiera captar sus biopotenciales. Según el libro «Atlas of electromyo-
graphy», existen ciertas ubicaciones en la cuales se tiene un mejor contacto con las señales
de cada nervio para cada grupo muscular.
Nervio mediano
Músculo flexor del pulgar
La localización de este electrodo, como se ve en la sección b) de la Figura 2.29, se en-
cuentra cerca a la arteria radial. El punto se encuentra de 5 a 7 cm proximal a la arteria y de
1 a 1.5 cm lateral al pulso de la arteria radial. Para poder apreciar más fácilmente la locali-
zación, se puede ver en el brazo real la posición del electrodo en la sección a) de la Figura
2.29[29].
Figura 2.29: a) Localización electrodo músculo flexor del pulgar en antebrazo real, b) Múscu-
lo aislado
Músculo flexor superficial de los dedos
La localización de este electrodo, como se ve en la sección b) de la Figura 2.30, se en-
cuentra en la superficie volar del antebrazo. El punto se encuentra de 7 a 9 cm distal al tendón
CAPÍTULO 2. MARCO TEÓRICO 44
del bíceps y de 2 a 3 cm centrado hacia la línea media ventral. Para poder apreciar más fácil-
mente la localización, se puede ver en el brazo real la posición del electrodo en la sección a)
de la Figura 2.30[29].
Figura 2.30: a) Localización electrodo músculo flexor superficial de los dedos en antebrazo
real, b) Músculo aislado
Músculo palmar largo
La localización de este electrodo, como se ve en la sección b) de la Figura 2.31, se encuen-
tra en la superficie volar del antebrazo. El punto se encuentra de 6 a 8 cm distal al epicondilo
medio a lo largo de una línea hacia el tendón del músculo en la muñeca. Para poder apreciar
más fácilmente la localización, se puede ver en el brazo real la posición del electrodo en la
sección a) de la Figura 2.31[29].
Figura 2.31: a) Localización electrodo músculo palmar largo en antebrazo real, b) Músculo
aislado
CAPÍTULO 2. MARCO TEÓRICO 45
Músculo flexor radial del carpo
La localización de este electrodo, como se ve en la sección b) de la Figura 2.32, se en-
cuentra en la superficie volar de carpo. El punto se encuentra de 7 a 9 cm distal al epicondilo
medio a lo largo de una línea hacia el tendón del músculo de la muñeca. Para poder apreciar
más fácilmente la localización, se puede ver en el brazo real la posición del electrodo en la
sección a) de la Figura 2.32[29].
Figura 2.32: a) Localización electrodos músculo flexor radial del carpo en antebrazo real, b)
Músculo aislado
Nervio cubital
Músculo flexor cubital del carpo
El punto de localización del electrodo, como se ve en la sección b) de la Figura 2.33,
se encuentra de 5 a 8 cm distal al epicondilo medio a lo largo de una línea que conecta el
epicondilo medio con el hueso pisiforme. Para poder apreciar más fácilmente la localización,
se puede ver en el brazo real la posición del electrodo en la sección a) de la Figura 2.33[29].
Figura 2.33: a) Localización electrodo músculo flexor cubital del carpo en antebrazo real, b)
Músculo aislado
CAPÍTULO 2. MARCO TEÓRICO 46
Nervio radial
Músculo extensor largo del pulgar
La localización del electrodo, como se ve en la sección b) de la Figura 2.34, se encuentra
en la mitad del borde radial del cubito. Para poder apreciar más fácilmente la localización, se
puede ver en el brazo real la posición del electrodo en la sección a) de la Figura 2.34[29].
Figura 2.34: a) Localización electrodos músculo extensor largo del pulgar en antebrazo real,
b) Músculo aislado
Músculo extensor propio del meñique
La localización del electrodo, como se ve en la sección b) de la Figura 2.35, se encuentra
en la mitad del antebrazo entre el cubito y el radio .Para poder apreciar más fácilmente la
localización, se puede ver en el brazo real la posición del electrodo en la sección a) de la
Figura 2.35[29].
Figura 2.35: a) Localización electrodos músculo extensor propio del meñique en antebrazo
real, b) Músculo aislado
CAPÍTULO 2. MARCO TEÓRICO 47
Músculo extensor cubital del carpo
La localización del electrodo, como se ve en la sección b) de la Figura 2.36, se encuentra
en la mitad de la parte superior del antebrazo, radial al margen lateral del eje del cubito. Para
poder apreciar más fácilmente la localización, se puede ver en el brazo real la posición del
electrodo en la sección a) de la Figura 2.36[29].
Figura 2.36: a) Localización electrodo extensor músculo extensor cubital del carpo en ante-
brazo real, b) Músculo aislado
Músculo extensor radial del carpo
La localización del electrodo, como se ve en la sección b) de la Figura 2.37, se encuentra
en la sección superior del antebrazo. El punto se encuentra de 5 a 7 cm distal al epicondilo
lateral a lo largo de una línea que conecta el epicondilo con el segundo hueso metacarpiano.
Para poder apreciar más facilmente la localización, se puede ver en el brazo real la posición
del electrodo en la sección a) de la Figura 2.37[29].
Figura 2.37: a) Localización electrodos músculo extensor radial del carpo en antebrazo real,
b) Músculo aislado
CAPÍTULO 2. MARCO TEÓRICO 48
Músculo braquiorradial
La localización del electrodo, como se ve en la sección b) de la Figura 2.38, se encuentra
de 2 a 3 cm del tendón del bíceps. Para poder apreciar más fácilmente la localización, se
puede ver en el brazo real la posición del electrodo en la sección a) de la Figura 2.38[29].
Figura 2.38: a) Localización electrodos músculo braquiorradial en antebrazo real, b) Músculo
aislado
2.4. Músculos seleccionados
La meta es captar solo las señales ocasionadas por los movimientos de los dedos y el pul-
gar, por eso solo será necesario colocar electrodos en algunos de los músculos del antebrazo.
Los músculos de interés son músculo palmar largo, el músculo extensor propio del meñi-
que, músculo extensor común de los dedos, músculo flexor largo del pulgar, músculo extensor
largo del pulgar y el músculo flexor común superficial de los dedos.
2.5. Conclusión del capítulo
Es necesario adquirir la información necesaria para poder aplicar los conocimientos de
ingeniería para poder proponer una solución para una mano perdida.
Primero es necesario conocer los movimientos que puede hacer una mano y una muñeca,
la flexión y extensión tanto de los dedos como de la muñeca, la abducción y la aducción tanto
de los dedos como de la muñeca, la oposición del pulgar, y la pronación y supinación de toda
la mano. Conociendo estos movimientos se puede concluir que no todos son necesarios para
cumplir la función de una mano básica, por ejemplo, pese que la abducción y aducción de
los dedos es importante para variar un agarre en tamaño, una configuración media entre los
dos movimientos puede funcionar correctamente en la mayoría de las situaciones. En otro
ejemplo la abducción y aducción de la muñeca es un movimiento opcional, este puede ser
sustituido con la posición del hombro y la flexión y extensión del antebrazo con el bícep.
CAPÍTULO 2. MARCO TEÓRICO 49
El apartado de los músculos es necesario para entender que papel en el movimiento tiene
cada musculo, en esto se puede observar que varios músculos tienen doble función, como en
el ejemplo del braquiradial que tanto supina el antebrazo como lo flexiona. Conociendo esto
permite ayudar a la selección de cuales músculos se deben sensar sus señales miográficas,
reuniendo esto con un correcto posicionamiento de los electrodos se pretende adquirir la
información correcta que describa el funcionamiento de los movimientos en determinado
gesto.
La anatomía y las medidas son necesarias para entender cómo funciona una mano hu-
mana, conociendo esto se puede diseñar una prótesis y sus actuadores para emular los mo-
vimientos de la mano o desarrollar una manera de sustituirlos. También es importante que la
prótesis sea lo más transparente posible, para esto es importante que la mano no sea ni muy
grande, ni muy pesada, o con una geometría muy diferente al de una mano natural.
Capítulo 3
Generalidades del sistema completo
El sistema completo, se divide en dos subsistemas principalmente:
Sistema de adquisición y digitalización de señal: Este sistema recoge las señales de los
electrodos conectados al antebrazo y las adecua para tener la información de las señales
musculares sin aliasing y así enviar los datos hacia el computador.
Sistema computacional de procesamiento y reconocimiento de gestos: Este sistema
procesa los datos recibidos para identificar el gesto correspondiente, así, realiza la ani-
mación y enviar las ordenes a los actuadores para que lo repliquen.
3.1. Sistema de adquisición y digitalización de señal
El sistema se puede visualizar de manera esquemática en la Figura 3.1.
Figura 3.1: Sistema de adquisición y digitalización de señal
Este sistema consta de 6 etapas:
Etapa de amplificación de instrumentación: Esta etapa se puede ver de manera más
detallada en la Figura 3.2.
50
CAPÍTULO 3. GENERALIDADES DEL SISTEMA COMPLETO 51
Figura 3.2: Etapa de amplificación de instrumentación
Esta etapa toma las señales recogidas por los 6 canales de entrada y las amplifica hasta
que lleguen a una amplitud manejable para que sea manipulada por los componentes
que no son de precisión utilizados posteriormente para el filtrado de la señal. En cada
canal entra la señal de electromiografía junto con otras señales parasitas provenientes
de la piel, del cableado, del movimiento de las conexiones y de la señal de 60 Hz de la
fuente de alimentación.
Etapa de sumador inversor: Esta etapa se puede ver de manera más detallada en la
Figura 3.3.
Figura 3.3: Etapa del sumador inversor
CAPÍTULO 3. GENERALIDADES DEL SISTEMA COMPLETO 52
Esta etapa toma las señales amplificadas de los 6 canales de la etapa anterior y los
promedia uniendo todas las 6 señales en una única señal.
Etapa de filtro pasabanda: Esta etapa se puede ver de manera más detallada en la Figura
3.4.
Figura 3.4: Etapa de filtro pasabanda
Esta etapa toma la señal de la etapa anterior, y por medio de un filtro pasabanda reduce
la banda de toda la señal quitando gran parte del ruido, pero no el ruido de 60 Hz de
la fuente. Este filtro pasabanda es un filtro Butterworth de grado 8 de 15 Hz a 500 Hz,
debido a que la frecuencia de la red entra en esta banda admisible es necesaria otra
etapa para atenuarlo.
Etapa de filtro rechaza banda: Esta etapa se puede ver de manera más detallada en la
Figura 3.5.
Figura 3.5: Etapa filtro rechaza banda
CAPÍTULO 3. GENERALIDADES DEL SISTEMA COMPLETO 53
Esta etapa toma la señal de la etapa anterior y la pasa por un filtro rechaza banda de 60
Hz para atenuar el ruido de la red y así tener como resultado la señal electromiográfica
con el ruido atenuado en su mayor parte.
Etapa de conversor Análogo/ Digital: Esta etapa se puede ver de manera más detallada
en la Figura 3.6.
Figura 3.6: Etapa conversor ADC
Esta etapa toma la señal de la etapa anterior y la digitaliza con un cierto tiempo de
muestreo, para generar una señal digital que pueda ser enviada en la siguiente etapa.
La frecuencia de muestreo utilizada fue de 3 KHz.
Etapa de comunicación serial: Esta etapa se puede ver de manera más detallada en la
Figura 3.7.
Figura 3.7: Etapa de comunicación serial
CAPÍTULO 3. GENERALIDADES DEL SISTEMA COMPLETO 54
Esta etapa toma la señal digitalizada y la envía por comunicación serial al computador
por medio de un cable profilic a el puerto USB del computador.
3.2. Sistema computacional de procesamiento y
reconocimiento de gestos
El sistema se puede visualizar de manera esquemática en la Figura 3.8.
Figura 3.8: Sistema computacional de procesamiento y reconocimiento
Este sistema consta de 3 etapas:
Etapa de recepción de datos: Esta etapa se puede ver de manera más detallada en la
Figura 3.9.
Figura 3.9: Etapa de recepción de datos
Esta etapa empieza a recibir datos de la comunicación serial y detiene la recepción
de datos cuando detecta una señal y detecta que todos los datos de la señal fueron
recibidos.
Etapa de inteligencia artificial: Esta etapa se puede ver de manera más detallada en la
Figura 3.10.
CAPÍTULO 3. GENERALIDADES DEL SISTEMA COMPLETO 55
Figura 3.10: Etapa de inteligencia artificial
Esta etapa toma los datos de la etapa pasada, y los procesa evaluándolos en diferentes
funciones para sacar información que se pueda ingresar en la red neuronal, ya con
los resultados de la red neuronal se identifica que gesto corresponde de manera más
acertada a los datos ingresados.
Etapa de simulación virtual y movimiento de actuadores: Esta etapa se puede ver de
manera más detallada en la Figura 3.11.
Figura 3.11: Etapa de simulación virtual y movimiento de actuadores
Esta etapa toma los datos interpretados de la etapa anterior y mueve la animación vir-
tual de Sim Mechanics, y por medio de comunicación serial manda las ordenes a un
dispositivo para que realice el movimiento de los servomotores de la prótesis.
3.3. Conclusión del capítulo
Una vez identificados los músculos, ya se pueden aplicar los conocimientos de ingeniería
para plantear una solución para el problema planteado. El sistema completo es la propuesta
de cómo se va a realizar la solución paso a paso.
El sistema está dividido en dos subsistemas principales, el sistema de adquisición de se-
ñales mioeléctricas y digitalización de la señal y el sistema computacional de procesamiento
de señal y reconocimiento de gestos. El sistema de adquisición de señales mioeléctricas y di-
gitalización de la señal es la sección que está basada en conocimientos de electrónica, filtros,
programación de microcontroladores y diseño de circuitos impresos, para tomar las señales
de los musculares de los músculos seleccionados y envié su información importante para el
otro subsistema. El sistema computacional de procesamiento de señal y reconocimiento de
gestos es la sección que está basado en conocimientos de inteligencia artificial, programación
de objetos, actuadores, estructuras y simulación 3D.
Capítulo 4
Adquisición y digitalización de señal
En esta etapa se requiere tomar las pequeñas señales provenientes de las fibras muscula-
res, amplificarlas, filtrarlas a un ancho de banda determinado y convertirlas a señales digitales
de entre 0V y 5V, con una frecuencia de muestreo adecuada.
El sistema de alimentación por seguridad del usuario se diseñó para ser a prueba de cortos
en caso que se conecten las alimentaciones de manera invertida. Esto se logró utilizando un
puente de diodos para que sin importar el orden de alimentación, al circuito siempre le lleguen
los voltajes adecuados, como se ve en la Figura 4.1 .
Figura 4.1: Alimentación a prueba de cortos
Para proteger los componentes digitales que trabajan con 5V, se utiliza tanto un regulador
TL7805 para la alimentación de estos componentes, como un regulador TL7905 para los
componentes inversores de los filtros que restrinja los voltajes negativos hasta -5V, ambos
reguladores se pueden observar en la Figura4.2.
Figura 4.2: Reguladores de voltaje
56
CAPÍTULO 4. ADQUISICIÓN Y DIGITALIZACIÓN DE SEÑAL 57
Estas referencias de reguladores fueron escogidas debido a que el circuito no tiene una
gran potencia, por lo que no se necesita corrientes mayores a los 1.5A que entregan los
reguladores.
4.1. Amplificación de instrumentación y sumador inversor
Los biopotenciales tienen bajas amplitudes y bajas frecuencias, aparte de esto son per-
turbados por diferentes fuentes de interferencia tanto ambientales y biológicas con externas
como lo son conexiones inapropiadas y ruido por movimiento, por esto, para elegir un ampli-
ficador apropiado, es necesario tener en cuenta las características necesarias que debe tener
este para cada aplicación. De esta manera la Tabla 4.1, muestra las consideraciones que hay
que tener dependiendo de la fuente de donde se extraiga en biopotencial, como el ancho
de banda, la impedancia de entrada, el ruido, protecciones y estabilidad de temperatura por
fluctuaciones de voltaje [52].
Tabla 4.1: Consideraciones de diseño para biopotenciales
Biopotencial
Característica
Distinguible
Consideraciones de
diseño excluyentes
para el amplificador
Características
adicionales
ECG
Señal de 1mV,
0.05-100 Hz de
banda
Ganancia moderada,
Ancho de banda, ruido,
CMRR
Seguridad electrica,
aislamiento, protección
de desfibrilación
EEG
Señal de
microvoltios
Alta ganancia, ruido
muy bajo, filtrado
Seguridad, aislamiento,
baja resistencia del
electrodo
EMG
Ancho de banda
Mayor
Ganancia y ancho de
banda de los
amplificadores
operacionales
Procesamiento de señal
posterior
EOG
Señal pequeña de
bajas frecuencias
DC y bajo drift
Potencial entre la piel y
el electrodo
Para amplificar la señal recibida desde los electrodos se utilizó una INA128, un amplifica-
dor de instrumentación de alta impedancia (del orden de 10 a la décima potencia de ohmios)
y un rechazo al ruido de tal manera que se pueda amplificar la señal de electromiografía sin
adquirir señales provenientes de otras fuentes eléctricas.
El INA128 posee una estructura de 3 amplificadores operacionales acoplados como se ve
en la Figura 4.3, la amplificación es controlada por la resistencia RG, ubicada entre los pines
1 y 8 del integrado, aparte también permite referenciar los voltajes de entrada a la tierra local
del sistema [24].
CAPÍTULO 4. ADQUISICIÓN Y DIGITALIZACIÓN DE SEÑAL 58
Figura 4.3: Estructura del amplificador de instrumentación
Para controlar la ganancia de este amplificador, es necesario conocer la ecuación 4.1que
entrega el fabricante sobre la resistencia necesaria para la amplificación que se necesite:
Ganancia = 1+
50KΩ
RG
(4.1)
Debido a que se pretende tomar 6 canales de señales y se tiene un límite de trabajo de
0V a 5V , es necesario asegurar que al sumar cada uno de los canales, el voltaje no supere
este valor máximo digital. Para poder mantener esta condición de trabajo, se amplificará cada
señal entrante para que llegue hasta un valor máximo de 2,5V (con un voltaje pico a pico
de5V ) y luego se dividirán cada uno de los 6 canales en 6, para que al sumar cada canal el
voltaje máximo no pase de 5V . Sabiendo que las señales de electromiografía de superficie
tienen una amplitud máxima de 10mV , se puede calcular la ganancia necesaria para cumplir
con lo que se necesita como se ve en la Ecuación 4.2:
Ganancia10mV = 2,5
Ganancia = 250
250 = 1+
50KΩ
RG
(4.2)
CAPÍTULO 4. ADQUISICIÓN Y DIGITALIZACIÓN DE SEÑAL 59
Para sumar los 6 canales después de la amplificación de instrumentación de cada uno, se
utiliza un amplificador operacional y unas cuantas resistencias calculadas como muestra la
Figura 4.4, para así hacer un promedio entre todos los canales entrantes.
Figura 4.4: Configuración sumador inversor
Tomando una resistencia de realimentación de 10KΩ, se resuelve el problema como se
ve en la Ecuación 4.3:
Vo =−( R
′
R1
V1 +
R
′
R2
V2 +
R
′
R3
V3 +
R
′
R4
V4 +
R
′
R5
V5 +
R
′
R6
V6)
R
′
R1
=
R
′
R2
=
R
′
R3
=
R
′
R4
=
R
′
R5
=
R
′
R6
=
1
6
10KΩ
Rx
=
1
6
Rx = 60KΩ (4.3)
4.2. Etapa de filtrado
En la etapa de filtrada se pretende reducir el ancho de banda de la señal entrante, a la
banda de frecuencias de una señal de elctromiografía de superficie. Para este fin, se utilizará
un filtro pasa banda activo tipo Butterworth, para que no se genere replay en la señal, diseñado
con la herramienta FilterLab de la empresa Microchip® con atenuación de−3dB en la banda
pasante. Debido a que la señal consta de frecuencias que van desde las decenas de Hertz hasta
a algunos cientos de Hertz, es necesario tener una gran atenuación para que ninguno de los
dos extremos se vea afectado y no se pierda información o de las frecuencias bajas o de las
frecuencias altas, por esto se utilizaran filtros de grado 8 para así tener una atenuación de
CAPÍTULO 4. ADQUISICIÓN Y DIGITALIZACIÓN DE SEÑAL 60
-160dB/dec y no se pierda información importante. El filtro pasabanda consiste de un filtro
pasabajos de grado 8 con frecuencia de corte de 500Hz, y de un filtro pasaaltos de grado 8
con frecuencia de corte de 15Hz, ambos con circuito en topología SallenKey. Esta topología
permite simplicidad en el circuito, a costa de requerir exactitud en los componentes del filtro
para su correcto funcionamiento [13].
El filtro pasabajos diseñado tiene el siguiente comportamiento en frecuencia, que se ve
en la Figura 4.5:
Figura 4.5: Diagrama en frecuencia y fase de filtro pasabajos
Este filtro consta de 4 etapas que se ven en la Figura 4.6, como amplificador operacional
se utilizaran TL074, amplificadores especializados en la reducción de ruido eléctrico en las
señales:
Figura 4.6: Circuito pasabajos FilterLab
Para conseguir los valores de los condensadores lo más cercano al diseño propuesto por
el software posible, se utilizaron series de máximo 3 condensadores de tal manera que los
valores comerciales puedan llegar a una aproximación adecuada, dando como resultado los
condensadores que se ven en la Figura 4.7.
CAPÍTULO 4. ADQUISICIÓN Y DIGITALIZACIÓN DE SEÑAL 61
Figura 4.7: Condensadores comerciales filtro pasabajos
De la misma manera se diseñó el filtro pasaaltos, con el comportamiento en frecuencia
que se ve en la Figura 4.8:
Figura 4.8: Diagrama en frecuencia y fase filtro pasaaltos
El circuito del filtro consta de 4 etapas, como plantea el software en la Figura 4.9.
Figura 4.9: Circuito pasaaltos FilterLab
Con los condensadores en serie el circuito es el que se muestra a continuación en la Figura
4.10.
CAPÍTULO 4. ADQUISICIÓN Y DIGITALIZACIÓN DE SEÑAL 62
Figura 4.10: Condensadores comerciales filtro pasaaltos
Para el filtrado del ruido proveniente de la red de 60 Hz, se utilizo el integrado UAF42
con cierta configuración interna de amplificadores operacionales que permite que con solo el
cálculo de pocas resistencias se puedan realizar filtros Butterworth de todo comportamiento,
la Figura 4.11 muestra la configuración general del filtro universal[35].
Figura 4.11: Configuración general UAF42
Se realizó el cálculo con una frecuencia central de 60Hz y un factor calidad de 6, la salida
del integrado tiene también un desfase de 180◦ debido a la configuración en inversor de los
operacionales.
La frecuencia del Notch es determinada por la Ecuación 4.4[35]:
fNotch =
√
(
ALP
AHP
 RZ2
RZ1
) fO (4.4)
donde,
ALP =Ganancia de la entrada a la salida del pasabajos de f = 0Hz
AHP =Ganancia de la entrada a la salida del pasaaltos de f = 0Hz
CAPÍTULO 4. ADQUISICIÓN Y DIGITALIZACIÓN DE SEÑAL 63
Para simplificar se hacen los dos múltiplos dentro de la raíz sean iguales a 1, transformando
la fórmula como se ve en la Ecuación 4.5:
fNotch = fo (4.5)
Donde el comportamiento de la frecuencia central es dado por la Ecuación 4.6:
fo =
1
RF C  2pi
(4.6)
donde,
RF = RF1 = RF2
C =C1 =C2
De esta manera la frecuencia Notch puede ser modificada fácilmente con solo cambiar el
valor de la R f o adicionando condensadores externo.
La banda de atenuacion puede ser configurada mediante la Ecuación 4.7:
BW−3dB =
fNotch
Q
(4.7)
donde,
BW−3dB = fH− fL
El factor de calidad Q puede ser determinado configurando el valor de RQ al valor determi-
nado por la Ecuación 4.8:
RQ =
25kΩ
Q−1 (4.8)
La ganancia de la banda pasante del filtro Notch depende del factor Q, y debe ser ajustada
para que siga la relación que se ve en la Ecuación 4.9:
Q =
RZ3
RZ1
=
RZ3
RZ2
(4.9)
CAPÍTULO 4. ADQUISICIÓN Y DIGITALIZACIÓN DE SEÑAL 64
De esta manera los parámetros del filtro pueden ser configuradas con la selección de los
componentes externos RF1, RF2 y RQ.
Con los cálculos anteriores se tiene como resultado la configuración de resistencias que
se tiene en la Figura 4.12[35].
Figura 4.12: Configuración Notch 60 Hz
La respuesta de este filtro muestra un comportamiento bastante aceptable de tal forma
que no tiene una banda de atenuación demasiado grande como para atenuar parte significante
de la información de la señal, como se puede ver en la Figura 4.13[35].
Figura 4.13: Respuesta en frecuencia de Notch de 60Hz
CAPÍTULO 4. ADQUISICIÓN Y DIGITALIZACIÓN DE SEÑAL 65
4.3. Circuito de digitalización de la señal y comunicación
serial
La mayoría de dispositivos digitales trabajan con voltajes entre 0V y5V , por lo cual, es
necesario que no tenga ni voltajes negativos, ni voltajes por encima de 5V para que toda la
señal sea digitalizada y no se pierda información.
En la sección 4.1, se calcularon los amplificadores para que el voltaje de la señal no pase
de los5V pp, ahora es necesario que toda la señal sea positiva. Para lograr esto simplemente
es necesario utilizar un sumador y reguladores de 5V y−5V , para adicionarle a la señal un
voltaje DC de 2,5V , esto aparte de subir la señal, tendrá un impacto mínimo en el análisis fre-
cuencial de la señal, permitiendo que toda la señal sea captada sin que su FFT sufra cambios
considerables, como pasaría con una rectificación de precisión. El regulador de 5V además
permite que no haya voltaje mayor a este valor, lo que asegura el techo superior de la señal.
El circuito resultante se puede ver en la Figura 4.14, los condensadores de 0.1 micro
faradios son utilizados para disminuir el ruido proveniente de la alimentación.
Figura 4.14: Circuito sumador 2.5V DC
Después de la etapa eléctrica que acondiciona la señal, esta entra a un microcontrola-
dor que transmite la información al computador. El programa del controlador se explica por
medio de un diagrama de flujo en la Figura 4.15.
CAPÍTULO 4. ADQUISICIÓN Y DIGITALIZACIÓN DE SEÑAL 66
Figura 4.15: Diagrama de flujo del programa
Una vez asegurada la señal se procede a la conversión análoga digital y el envío de los
datos, para esto se utiliza el microcontrolador PIC18F4550 de Microchip®, este tiene un
módulo ADC de 10 bits que para la señal es adecuado, por otro lado, para la comunicación
hacia el computador, trabajo tanto comunicación USB como comunicación serial por módulo
UART y también interrupción por timer que permite asegurar la velocidad de muestreo.
Debido a que la señal tiene un espectro de 20Hz a 500Hz, según las reglas de muestreo
Nyquist-Shannon, la mínima frecuencia de muestreo debería ser mínimo 2 veces la mayor
frecuencia del ancho de bando de la señal, en este caso 1KHz [30]. No hay una frecuen-
cia ideal para el muestreo de señales de electromiografía de superficie, existen estudios que
demuestran que por más de que se tome una frecuencia de muestreo realmente alta, no se
generan beneficios mayores a los de usar una de frecuencia menor, desde que sea mayor a
1KHz [25]. Para este tipo de aplicaciones algunos autores recomiendan usar frecuencias de
entre 2Khz y 3KHz, para este control, se utilizará una frecuencia de 3KHz para el muestreo
de la señal y su digitalización.
Para asegurar la frecuencia de muestreo se utilizan interrupciones por timer1, este tipo
de interrupciones utiliza un oscilador interno del microcontrolador para activarse cuando este
CAPÍTULO 4. ADQUISICIÓN Y DIGITALIZACIÓN DE SEÑAL 67
llegue a su valor de desborde, en ese momento una función interna programable se activa
para realizar el algoritmo que se haya predispuesto.
Las interrupciones por timer1 requieren el uso de 6 subregistros para configurar el ti-
mer sin prescaler, de 16 bits, utilizando como oscilador el reloj del microcontrolador, y sin
sincronización:
Global Interrupt Enable bit o GIE_bit
Peripheral Interrupt Enable bit o PIEI_bit
TIMER1 Interrupt Enable bit o TMR1IE_bit
TIMER1 Interrupt Flag bit o TMR1IF_bit
TIMER1 Interrupt Priority bit o TMR1IP_bit
TIMER1 On bit o TMR1ON_bit
Cada subregistro debe ser inicializado para que el microcontrolador empiece a detectar la
interrupción en el momento en que se desborde el timer de 16 bits en su valor máximo de
65535 o FFFF en hexadecimal. Cada vez que se llega a la interrupción es necesario resetear
la bandera y volver a establecer el valor del timer para que siempre se restaure en el tiempo
deseado. Para encontrar este valor, teniendo en cuenta que el microcontrolador trabaja con
una frecuencia de reloj de 48MHz y las características del microcontrolador, es necesario
hacer algunos cálculos para encontrar el valor inicial del TIMER1 como se ve en la Ecuación
4.10:
Tmuestreo =
1
Fmuestreo
= 333µs
TT IMER1 =
4
48MHz
= 0,083µs
65535−T IMER1 = Tmuestreo
TT IMER1
= 4000
T IMER1 = 61535 = 0XF05F (4.10)
Debido a que el microcontrolador tiene una arquitectura de 8 bits, los registros del Timer1
están divididos en dos registros TMRL y TMRH que toman los primeros 8 bits del valor del
timer y los últimos 8 bits del valor del timer, dando como resultado los siguientes valores:
T MRL = 0X5F
CAPÍTULO 4. ADQUISICIÓN Y DIGITALIZACIÓN DE SEÑAL 68
T MRH = 0XF0
El programa para el microcontrolador está diseñado en el software MikroC PRO for PIC
de MikroElectronica®, el cual permite programar microcontroladores con gran facilidad, de-
bido al uso de múltiples librerías que simplifican la utilización de los diferentes módulos o
funciones que posee dicho controlador. Entre dichas librerías se encuentra una para la con-
versión análoga digital ADC y para la comunicación serial con el módulo UART1.
La librería ADC, para la conversión análoga digital consta de varias funciones, en lo que
respecta al programa realizado solo se utilizaron dos de las funciones disponibles:
ADC_Init(): Esta función inicializa el módulo ADC del microcontrolador, y establece
como análogos los puertos requeridos.
ADC_Read(X): Esta función realiza la conversión análoga digital en el pin AX y retor-
na el valor de 0 a 1023 que corresponda al voltaje análogo leído. En este caso se utilizó
el pin A2 para tomar los voltajes análogos.
Este módulo ADC permite tener una resolución de 0.0049V la cual es aceptable para este
tipo de aplicaciones.
La librería UART1, para el envío de datos por medio de comunicación serial consta de
múltiples funciones, pero en lo que respecta al programa realizado, solo se utilizaron dos de
las funciones disponibles:
UART1_Init(vel): Esta función inicializa el módulo UART, con las características que
se le ingresen, en este caso no se necesita bit de paridad, ni una distribución de datos
diferente a la predeterminada de 8 bits, por lo cual solo se ingresa la velocidad de
transmisión. La velocidad de transmisión que se va a utilizar para la comunicación
serial con el computador es de 115200 baudios.
UART1_Write(dato): Esta función se encarga simplemente de enviar un dato de 10bits,
por medio de comunicación serial a su destino.
Debido a que solo hay 8 bits para el envío de datos, la resolución pasa a ser de 0.0196V que
sigue siendo una resolución adecuada para esta aplicación.
La velocidad que se utilizo es de 115200 baudios, esta se escogió debido a que se ne-
cesitaba una gran velocidad para que la comunicación fuera más rápida que la interrupción
y porque era la mayor velocidad que permitía tanto el microcontrolador como el cable de
transmisión vía USB.
Para conectar con el PC se utiliza un cable Prolific PL2303TA como adaptador RS232 vía
USB, para poder conectar al microcontrolador por medio de cualquier puerto USB sin tener
que cablear por un puerto serial, que es más complejo y tedioso.
CAPÍTULO 4. ADQUISICIÓN Y DIGITALIZACIÓN DE SEÑAL 69
4.4. Circuito impreso
Para asegurar el circuito completo, se diseñó un circuito impreso con la herramienta
ARES, integrada en el software de Labcenter Electronics, Proteus. Se utilizó esta herramienta
debido a su facilidad y a la disposición de licencias para su uso.
Se diseñó el circuito sobre una placa de 11.7cm X 11.5cm, diseñada en doble capa para
ahorrar espacio y hacer el PCB lo más compacto posible, el resultado se puede observar en la
Figura 4.16.
Figura 4.16: PCB resultante de ARES
Para reducción de ruido se utilizaron grandes zonas de voltaje a tierra, como se ven en las
secciones rellenas de color rojo y azul que rodean todo el circuito tanto en la capa superior
como en la capa inferior. En la Figura 4.17, se pueden observar ambas capas por separado y
las zonas de voltaje a tierra de ambas como secciones rellenas de color negro.
CAPÍTULO 4. ADQUISICIÓN Y DIGITALIZACIÓN DE SEÑAL 70
Figura 4.17: Capas del PCB
El circuito impreso requiere unas modificaciones para su funcionamiento debido a la
limitación del software para ciertas cosas. Como se puede observar en la Figura4.16, hacen
falta dos conexiones en la parte superior derecha, estas se agregaron con dos cables soldados
en estos puntos, aparte de esto es necesario aislar las conexiones de los reguladores de los 12V
a los 5V para el ultimo operacional TL074 que tiene ambas alimentaciones, para solucionar
esto se dejó únicamente la alimentación de 5V cortando el canal de la otra alimentación y
alimentando con cables soldados los dos reguladores con los 12V, que ya se encuentran en el
circuito.
El circuito impreso real ya con sus componentes soldados encima se puede ver en la
Figura 4.18.
Figura 4.18: Circuito impreso real
CAPÍTULO 4. ADQUISICIÓN Y DIGITALIZACIÓN DE SEÑAL 71
4.5. Simulación de la etapa electrónica
Para probar el diseño de la etapa electrónica, se realizó una simulación en el software
OrCAD 16.6 de la empresa Cadence®, este tienen un entorno de simulación llamado Capture,
que utiliza PSPICE (Simulation Program with Integrated Circuit Emphasis) para desarrollar
simulaciones de componentes eléctricos y electrónicos.
En la simulación se incluyó la alimentación del sistema, la etapa de amplificación de
instrumentación, el sumador inversor que une todoos los canales, los filtros pasabanda y el
sumador inversor de2,5V . El filtro rechaza banda no se puede simular en este programa, debi-
do a que la configuración de este integrado no es admitida por los criterios de simulación ya
que tiene un pin al aire y OrCAD no deja simular con un pin al aire. El esquema completo se
puede visualizar en Para ver la efectividad del sistema, en la Figura – se ve una comparación
de la señal de salida y la señal que deberia resultar idealmente, como se puede apreciar la
diferencia no es muchoa, salvo a una cierta distorsion en la salida que no afecta demasiado
en la interpretación de los datosla Figura 4.19 de manera muy general.
CAPÍTULO 4. ADQUISICIÓN Y DIGITALIZACIÓN DE SEÑAL 72
Figura 4.19: Simulación y sus etapas
CAPÍTULO 4. ADQUISICIÓN Y DIGITALIZACIÓN DE SEÑAL 73
En la simulación se tomaron los 6 canales del diseño y a cada uno se le ingresaron señales
sinusoidales de diferentes frecuencias (5 Hz, 10 Hz, 60 Hz, 150 Hz, 600 Hz, 1000 Hz) como
se ve en la Figura 4.20.
Figura 4.20: Señales de las entradas del sistema, a) 5Hz, b) 10Hz, c) 60Hz, d) 150 Hz, e) 600
Hz, f) 1000 Hz
Estas señales despues de la etapa de amplificación de instrumentación, pasan a un suma-
dor inversor donde une todas las señales en solo una dando como resultado lo que se ve en la
Figura 4.21.
Figura 4.21: Salida del sumador inversor
La señal del sumador inversor entra a la etapa de filtrado, esta elimina las frecuencias
indeseables para solo dejar las frecuencias que estén entre 15 Hz y 500 Hz, es decir, en este
caso, solo la señal de 150 Hz. De esta manera, la salida de la simulación se puede ver en la
Figura 4.22.
CAPÍTULO 4. ADQUISICIÓN Y DIGITALIZACIÓN DE SEÑAL 74
Figura 4.22: Salida de la etapa de filtrado
Para ver la efectividad del sistema, en la Figura 4.23 se ve una comparación de la señal de
salida y la señal que debería resultar idealmente, como se puede apreciar la diferencia no es
mucha, salvo a una cierta distorsión en la salida que no afecta demasiado en la interpretación
de los datos.
Figura 4.23: Comparación entre la señal ideal b) y la señal resultante por simulación a)
4.6. Potencia del circuito
Entre las herramientas de simulador OrCad, está la posibilidad de encontrar la potencia
consumida por el circuito, como se puede ver en la Figura 4.24.
CAPÍTULO 4. ADQUISICIÓN Y DIGITALIZACIÓN DE SEÑAL 75
Figura 4.24: Potencia del circuito, a) Amplificadores de intrumentación, b) Amplificadores
operacionales, c) Puente de diodos
La simulación dió como resultado que el circuito realmente tiene una potencia bastante
baja, alrededor de 3Watts, siendo los elementos con mayor potencia los amplificadores ope-
racionales TL074. La potencia es tan baja debido a que el circuito en si no está hecho para
manejar grandes cargas sino para tener una gran precisión y no superar voltajes de más de
5V.
4.7. Conclusión del capítulo
Para este proceso de adquirir la señal, se requirió un diseño electrónico con su simulación
de cada etapa, para la cual se utilizó el software de Cadence, OrCad, el cual muestra resulta-
dos más acercados a la realidad que otro software de simulación electrónica. De esta manera
se pudo corroborar que el diseño iba a cumplir con lo que se necesitaba de manera anticipada
en casi toda su extensión, debido a que el integrado del rechazabanda no tenía su modelo para
su simulación.
Debido a que es muy fácil que por alguna equivocación se produzca un corto, el sistema
de alimentación a prueba de cortos por polarización inversa, protegieron los componentes del
CAPÍTULO 4. ADQUISICIÓN Y DIGITALIZACIÓN DE SEÑAL 76
circuito permitiendo que no fuera posible que una elevada corriente generara daños en los
integrados que podrían representar un gasto grande en su reposición.
El filtro pasabanda de octavo grado en topología sallen key, permitió reducir la cantidad
de amplificadores operacionales a 8 en total, y tener un buen anti-aliasing con una zona tran-
sitoria bastante pequeña, por lo que la atenuación permite quitar las frecuencias indeseables
sin tener que perder una gran parte de la banda pasante.
El uso del integrado UAF42 para el filtro rechazabanda de 60 Hz, permitió que, con
un espacio físico bastante pequeño, el cual ocupa el integrado de 14 pines y unas pocas
resistencias, se pueda filtrar el ruido de la red perdiendo solo una muy pequeña banda de
alrededor de 4 Hz.
El microcontrolador utilizado se escogió principalmente porque tenía una gran versatili-
dad y permitía comunicación USB. Finalmente debido a que la aplicación de este fue bastante
reducida, se pudo utilizar un microcontrolador que ocupe un espacio mucho menor, con un
precio menor, que tenga comunicación serial, modulo ADC y permita la velocidad de envió
necesaria de datos por comunicación serial en vez de comunicación USB.
Uno de los mayores problemas que se tuvo en el desarrollo del proyecto fue el circuito
impreso multicapa. Por las características del clima de la ciudad de Bogotá, las impresiones
de este tipo de circuitos no tienen la conexión entre capas, por esto es necesario por medio de
filamentos de cable muy delgados conectar ambas capas en donde sea necesario, esto es un
trabajo bastante tedioso que finalmente requiere de mucho cuidado y paciencia. Otro de los
problemas con el circuito impreso fue que su elaboración fue realizada descuidadamente, por
lo que en ocasiones fue necesario realizar ciertas modificaciones cortando ciertas conexiones
que estaban en contacto mientras no deberían, o caminos en los cuales el cobre estaba tan
defectuoso que se levantaba, por lo cual era necesario con estaño realizar un arreglo en esta
conexión a la terminal que se necesite.
Capítulo 5
Recepción, procesamiento e identificación
de gesto
En esta etapa se reciben los datos por medio de comunicación serial, estos son organizados
de manera que se reciben varias muestras por cada gesto para así con estos entrenar una red
neuronal, que se encarga de la identificación del patrón.
Para ingresar los datos en la red neuronal es necesario hacerle un procesamiento a la
señal recibida, evaluando así los datos en diferentes funciones para tener una entrada con di-
mensiones constantes que proporcione información suficiente para que la red neuronal pueda
identificar el gesto correctamente.
Esta etapa se realizó con el ambiente de desarrollo de interfaz gráfica de usuario (Grafical
User Interface Development Enviroment- GUIDE) de MATLAB desarrollado por la empresa
Mathworks®, como se ve en la Figura 5.1.
Figura 5.1: Interfaz de usuario
77
CAPÍTULO 5. RECEPCIÓN, PROCESAMIENTO E IDENTIFICACIÓN DE GESTO 78
5.1. Recepción de datos, visualización y edición
Lo primero que se necesita hacer es tomar repetidas muestras de cada gesto para así poder
usar estos datos con el fin de entrenar la red neuronal para que pueda reconocer los gestos
que se le ingresen.
La recepción de datos se hace por medio de comunicación serial de 115200 Baudios y
funciona por interrupción. El proceso de recepción inicia en la interfaz gráfica por medio de
la acción desencadenada por la interacción de un botón ideado para este propósito como se
ve en la Figura 5.2.
Figura 5.2: Botón de toma de muestra
Cuando se inicia la toma de datos el programa empieza a tomar promedios en un enven-
taneado de cierta cantidad de datos, en el momento en que el promedio pasa por encima de
un límite superior, se detecta que la señal ha iniciado, y la recepción continúa hasta que el
promedio baje y sea menor a un límite inferior, en este momento la recepción se detiene y el
puerto serial es cerrado.
Una vez todos los datos son recibidos, se empiezan a realizar ciertos procedimientos para
tomar solo la parte de la señal que está en todos los datos recibidos, y organizarla en arreglos
que se van reordenando dependiendo de las dimensiones de las nuevas señales. También
después de terminada la recepción se visualiza la señal respecto al tiempo, la señal respecto a
la frecuencia por medio de la función FFT(.) de Matlab, y los datos evaluados en las diferentes
funciones, como se ve en la Figura 5.3.
Figura 5.3: Visualización de datos
CAPÍTULO 5. RECEPCIÓN, PROCESAMIENTO E IDENTIFICACIÓN DE GESTO 79
Una vez guardados los datos estos se pueden visualizar uno por uno y eliminar si se
considera que no es adecuado para el entrenamiento de la red neuronal, para esto se debe
ingresar la posición de dichos datos y oprimir el botón eliminar como se ve en la Figura 5.4.
Figura 5.4: Botón de eliminar datos
Las muestras de cada gesto se toman linealmente, de manera que primero se toman todas
las muestras del primer gesto, luego se presiona el botón de cambiar gesto como se ve en la
Figura 5.5, y se toman las muestras del siguiente gesto y así sucesivamente hasta acabar con
el máximo de gestos.
Figura 5.5: Botón de cambiar gesto
5.2. Procesamiento y análisis de datos
Una vez tomados todos los datos correctamente, se procede al procesamiento de estos,
para esto se evalúan los datos en ciertas funciones que pueden presentar información de la
señal electromiográfica para que interprete la red neuronal según la experiencia de ciertos
autores[11, 19, 26, 41, 40, 8].
Procesamiento de datos
Valor Absoluto Medio (Mean Absolute Value)
El valor absoluto medio es la calculo computado equivalente del valor promedio rec-
tificado siendo una medición respecto al tiempo. Representa el área bajo la curva de
la señal de electromiografía una vez rectificada con el valor absoluto [11, 19, 26]. La
función está definida por la Ecuación 5.1:
CAPÍTULO 5. RECEPCIÓN, PROCESAMIENTO E IDENTIFICACIÓN DE GESTO 80
MAV =
∑numi=1 abs(EMG(i))
num
(5.1)
donde,
abs es la función de valor absoluto.
EMG(i) es el dato i de la señal de electromiografía.
num es la cantidad de datos tenga la señal de electromiografía.
Frecuencia Media (MeaN Frequency)
La frecuencia media es el valor promedio del valor del espectro de frecuencias de
la señal de electromiografía, dividido por la suma total del espectro de intensidades
[19, 40, 41]. La función está definida por la Ecuación 5.2:
MNF =
∑numi=1 FEMG(i)  EMG(i)
∑numi=1 EMG(i)
(5.2)
donde,
FEMG(i) es el dato i de las frecuencias de la señal de electromiografía.
EMG(i) es el dato i de la señal de electromiografía.
num es la cantidad de datos tenga la señal de electromiografía.
Potencia Media (MeaN Power)
La potencia media es el promedio de los valores de la señal [40]. La función está
definida por la Ecuación 5.3:
MNP =
∑numi=1 FEMG(i)
num
(5.3)
donde,
FEMG(i) es el dato i de las frecuencias de la señal de electromiografía.
num es la cantidad de datos tenga la señal de electromiografía.
Raíz Media Cuadrática (Root Mean Square)
La raíz media cuadrática es una característica estadística variante en el tiempo usada
en el análisis de las señales de electromiografías, es usada en movimientos de fuerza
constante con contracción sin fatiga [11, 26, 8].La función esta definida por la Ecuación
5.4:
CAPÍTULO 5. RECEPCIÓN, PROCESAMIENTO E IDENTIFICACIÓN DE GESTO 81
RMS =
√
∑numi=1 EMG(i)2
num
(5.4)
donde,
EMG(i) es el dato i de la señal de electromiografía.
num es la cantidad de datos tenga la señal de electromiografía.
Desviación Estándar (STandard Deviation)
La desviación estándar es la equivalencia de la raíz cuadrada de la variancia, representa
la cantidad en que varía la dispersión de los valores de la señal de electromiografía. La
función está definida por la Ecuación 5.5:
ST D =
√
∑numi=1 (EMG(i)−PROM)2
num−1 (5.5)
donde,
EMG(i) es el dato i de la señal de electromiografía.
num es la cantidad de datos tenga la señal de electromiografía.
PROM es el promedio de la señal electromiográfica como se ve en la Ecuación
5.6,
PROM =
∑numi=1 EMG(i)
num
(5.6)
Potencia Total (ToTal Power)
La potencia total es una sumatoria del espectro de potencia de la señal de electromio-
grafía, también se puede definir como la energía en el momento espectral cero [40].La
función está definida por la Ecuación 5.7:
T T P =
num
∑
i=1
FEMG(i) (5.7)
donde,
FEMG(i) es el dato i de las frecuencias de la señal de electromiografía.
num es la cantidad de datos tenga la señal de electromiografía.
CAPÍTULO 5. RECEPCIÓN, PROCESAMIENTO E IDENTIFICACIÓN DE GESTO 82
Varianza (Variance)
La varianza es una característica estadística que toma el mínimo valor cuadrado de la
desviación, pero debido a que en las señales de electromiografía se acerca a cero, se
modifica para formar la Ecuación 5.8[26]:
VAR =
∑numi=1 EMG(i)2
num−1 (5.8)
donde,
EMG(i) es el dato i de la señal de electromiografía.
num es la cantidad de datos tenga la señal de electromiografía.
Longitud de Onda (Waveform Length)
La longitud de onda consiste en la rectificación en la resta de las diferencias entre cada
dato y su dato anterior [19]. La función está definida por la Ecuación 5.9:
WL =
num−1
∑
i=1
abs(EMG(i+1)−EMG(i)) (5.9)
donde,
abs es la función de valor absoluto.
EMG(i) es el dato i de la señal de electromiografía.
num es la cantidad de datos tenga la señal de electromiografía.
Curtosis
Curtosis es una característica estadística variante en el tiempo, esta identifíca la ten-
dencia de picos en una señal de electromiografía. El nivel de datos de Curtosis es
determinado comparando el pico de la curva de inclinación de la distribución de da-
tos y la curva normal [8]. Se utilizó por medio de la función kurtosis(.) de Matlab la
cual requiere como parámetro de entrada todos los datos de la señal ordenados en un
arreglo.
Oblicuidad (Skewness)
La oblicuidad es una característica variante en el tiempo de la señal de electromiografía.
Se define como la inclinación de la distribución de los datos, se dice que los datos tienen
distribución normal cuando la ubicación del valor promedio, el valor medio, y el valor
moda están ubicados en una línea sobre la curva [8]. Se utilizó por medio de la función
skewness(.) de Matlab la cual requiere como parámetro de entrada todos los datos de
la señal ordenados en un arreglo.
CAPÍTULO 5. RECEPCIÓN, PROCESAMIENTO E IDENTIFICACIÓN DE GESTO 83
Redes Neuronales Artificiales
Las redes neuronales artificiales (ANN) nacen en los años 50s por la motivación de en-
tender el funcionamiento del cerebro humano y las redes neuronales biológicas para poder
emular ciertas de sus fortalezas y así lograr resolver problemas que con la matemática tradi-
cional no se lograrían solucionar tan fácilmente [7].
Las redes neuronales biológicas son sistemas paralelos de procesamiento distribuido tam-
bién conocidos como máquinas de algoritmos de aprendizaje, tienen una estructura de células
neuronales conectadas entre sí, que ajustan el poder de los pulsos eléctricos que pasan por
ellas para ser procesados y generar conocimiento a partir de la repetición de este proceso. De
la misma manera, las redes neuronales artificiales realizan un proceso similar computando el
peso de cada neurona con su respectiva entrada, para que, al ser procesada por una función
de activación se genere una salida deseada después de un entrenamiento, que consiste en la
constante corrección de los pesos de las neuronas hasta llegar a un resultado que se acerque
a lo deseado. De manera esquemática se puede ver su similitud en la Figura 5.6[27, 7].
Figura 5.6: Comparación esquemática de redes neuronales biológicas y artificiales
Caracteristicas generales de las redes neuronales artificiales
Existen muchos tipos de redes neuronales artificiales, estos varían dependiendo de su
propósito, sin embargo, al ser todas sistemas de procesamiento paralelo distribuido (Parallel
Distributed Processing), comparten ciertas características generales [7].
CAPÍTULO 5. RECEPCIÓN, PROCESAMIENTO E IDENTIFICACIÓN DE GESTO 84
Figura 5.7: Diagrama esquemático de un PDP
En la Figura 5.7 se puede observar una diagrama esquemático de un PDP, todo sistema
de procesamiento paralelo distribuido debe tener los siguientes componentes en común, así
como una ANN[7]:
Un grupo de unidades de procesamiento (Neurona Artificial):
Cada unidad de procesamiento, como se puede ver en la Figura 5.8, tiene como entrada
datos que recibe de unidades vecinas o de fuentes externas, y con estas calcula las
señales de salida utilizando unos pesos que pueden ser de un valor tanto positivo como
negativo.
Figura 5.8: Diagrama esquemático de una unidad de procesamiento
El cuerpo de la neurona artificial se divide en dos secciones, la primera sección es
donde se hace la sumatoria de cada entrada con su respectivo peso, para dar como
resultado la red, la segunda sección es donde se utilizan los datos de la red y se evalúan
en la función de activación γ [7].
CAPÍTULO 5. RECEPCIÓN, PROCESAMIENTO E IDENTIFICACIÓN DE GESTO 85
Un estado de activación:
El estado de activación se conoce como el valor de la salida para cada neurona en un
valor de iteración [7]. Debido a que las redes neuronales se entrenan actualizando sus
valores, se tiene la Ecuación 5.10:
salida(t +1) = γ(red(t),salida(t)) (5.10)
donde,
t es el numero de iteración.
red(t) es el resultado de la sumatoria para la iteración t.
salida(t) y salida(t +1) son estados de activación.
Una función de salida para cada unidad:
Esta función es conocida también como función de activación o función de transferen-
cia, que comúnmente, es una función no decreciente como las que se ven en la Figura
5.9.
Figura 5.9: Diferentes funciones de activación
Como funciones de activación se suelen utilizar funciones tipo limite, como lo son la
función signo, la función lineal o semilineal, la función rampa o la función sigmoide
[7].
Una regla de activación que combine todas las entradas de una unidad con el estado de
activación actual para computar el nuevo estado:
Esta regla define el efecto de la entrada de la red al estado de activación de cada unidad
[7]. Esta regla está dada por la función γ de la manera que muestra la Ecuación 5.11:
CAPÍTULO 5. RECEPCIÓN, PROCESAMIENTO E IDENTIFICACIÓN DE GESTO 86
salida(t +1) = γ(red(t),salida(t)) (5.11)
donde,
t es el numero de iteración.
red(t) es el resultado de la sumatoria para la iteración t.
salida(t) es el estado de activación para la iteración t.
γ() es la función de activación
Un modelo que conecte las unidades:
El modelo de conexión está condicionado por la organización de las conexiones de las
unidades de procesamiento o neuronas y determina el comportamiento de la neurona
frente a una entrada cualquiera. Este modelo permite que cada neurona contribuya de
manera aditiva a las neuronas a las que están conectadas dependiendo de unos pesos
junto a un término bias [7]. Para entender mejor esto, la Ecuación 5.12 muestra la
fórmula de la red.
red =∑
i
wientradai +θ (5.12)
donde,
wi es el peso para esta entrada.
entradai es el valor de la entrada i.
θ es el términos bias.
Una regla para la propagación de la señal por la conexión entre unidades:
Esta regla consiste en la forma en que el flujo de datos se mueve por la red, existen dos
reglas principales, las de adelanto y las recurrentes. En el caso de las redes de adelanto
(Feedforward Networks), hay un flujo de los datos desde las entradas hasta las salidas
de las unidades de procesamiento, de manera que solo hay conexiones hacia adelante,
ninguna conexión retrocede a una capa anterior. En cambio, en el caso de las redes
recurrentes (Recurrent Networks), si hay conexiones de retroceso, haciendo que las
propiedades dinámicas de la red tengan más importancia [7].
Un ambiente en el que el sistema debe operar.
CAPÍTULO 5. RECEPCIÓN, PROCESAMIENTO E IDENTIFICACIÓN DE GESTO 87
Redes Neuronales de adelanto
Este tipo de redes neuronales artificiales, cuya estructura se puede observar en la Figura
5.10,es también conocido como perceptrón multicapa o MLP (Multi-Layer Perceptron), en
las últimas décadas han sido muy utilizadas por ingenieros, científicos y otros profesionales
para la solución de diversos problemas [27].
Figura 5.10: Red Neuronal de adelanto con una capa oculta (FFANN)
Las redes neuronales de adelanto son redes neuronales artificiales completamente conec-
tadas, es decir, donde todas las neuronas de una capa están conectadas a todas las neuronas
de su capa anterior o siguiente si estas existen, así mismo, no existen conexiones entre las
neuronas de una misma capa [27].
La primera capa de la red neuronal, como se puede ver en la Figura 5.10, es conocida
como la capa de entrada, la última es conocida como la capa de salida y las capas que se
encuentran entre estas dos se les llama capas ocultas. En cambio, los términos bias no son
considerados como una capa de la red neuronal artificial, en vez de esto, se consideran pesos
especiales con el valor de entrada constante de -1 [27].
Una red neuronal de adelanto de una capa oculta es considerada como el aproximador
universal de medidas con entradas finitas, se ha probado que tienen la habilidad de adecuarse
a patrones bastante complejos debido a su capacidad de aprendizaje utilizando computaciones
relativamente fáciles. Este tipo de topología se indica por tres números de la manera X-H-Y,
donde X representa el número de entradas, H representa la cantidad de neuronas en la capa
oculta, y Y representa el número de salidas [27].
Mientras que el número de entradas y de salidas es determinado por los datos del pro-
blema, el número de neuronas en las capas ocultas si es determinado por la experiencia del
diseñador debido a que no existe un estudio o una regla que proponga una cantidad adecuada
para la correcta solución del problema [27].
CAPÍTULO 5. RECEPCIÓN, PROCESAMIENTO E IDENTIFICACIÓN DE GESTO 88
Los cálculos de las FFANN consisten en encontrar las salidas de la red mediante cálculos
de adelanto en cada capa desde la capa inicial de entradas, tomando los pesos y los bias como
matrices y arreglos, como se ve en la Figura 5.11, para facilitar los cálculos [27].
Figura 5.11: Calculo de matrices
Algoritmo de aprendizaje de un perceptrón
Un perceptrón es una red neuronal en la cual no hay capas ocultas, es decir, las unidades
de salida estan conectadas directamente con las unidades de entrada. En caso de una red con
dos entradas y una salida y por ende un solo término bias, un perceptrón se vería como en la
Figura 5.12[7].
Figura 5.12: Perceptron de dos entradas y una salida
El algoritmo de aprendizaje de un perceptron consiste en lo siguiente:
1. Inicializar los pesos en valores aleatorios.
CAPÍTULO 5. RECEPCIÓN, PROCESAMIENTO E IDENTIFICACIÓN DE GESTO 89
2. Realizar la sumatoria con los pesos y el bias y evaluarlo en la función de activación
para encontrar los valores de la capa de salida.
3. Si la capa de salida no tiene los valores deseados modificar los pesos adicionandole un
término ΔWy los bias adicionandole un término Δθ
4. Volver al paso 1.
En el momento en que la salida de las neuronas tiene valores tan cercanos como para poder
entrar en el umbral de error aceptable, los pesos dejan de ser ajustados y la red termina con
el entrenamiento [7].
Entrenamiento de una red neuronal de adelanto con capa oculta
Una red neuronal de este tipo, como la que se aplicó para resolver el problema de detec-
ción de gestos, tiene 3 capas, una capa de entrada con n entradas según el problema, una capa
oculta con p neuronas, y una capa de salida con m salidas, como se ve en la Figura 5.13.
Figura 5.13: FFANN con capa oculta
Este tipo de redes neuronales aprenden por entrenamiento supervisado, de manera que
siempre se está visualizando la salida y el error de esta.
Para los valores de la capa oculta Z desde Z1 hasta Zp , la formula se ve en la Ecuación
5.13:
CAPÍTULO 5. RECEPCIÓN, PROCESAMIENTO E IDENTIFICACIÓN DE GESTO 90
Z j = F(
n
∑
num=1
Vj,numXnum +θ j) (5.13)
donde,
F() es la función de activación de la red neuronal.
Vj,numes el valor de los pesos entre la capa oculta y la capa de entrada que co-
rresponde a la entrada num y a la neurona j.
Xnumes el valor de la entrada num.
θ j es el valor de término bias para la neurona j de la capa oculta.
Siguiendo esta logica de la misma manera, para los valores de la capa de salidas Y desde Y1
hasta Ym , la formula se ve en la Ecuación 5.14:
Yk = F(
p
∑
num=1
Wk,numZnum +θk) (5.14)
donde,
F() es la función de activación de la red neuronal.
Wk,numes el valor de los pesos entre la capa de salida y la capa de oculta que
corresponde a la neurona num y a la salida k.
Znumes el valor de salida de la neurona num.
θ j es el valor de término bias para la salida k de la capa de salidas.
Una vez obtenidos los valores de la capa de salida y sabiendo el valor deseado de este se
procede a calcular el error para cada salida, desde 1 hasta p, como se ve en la Ecuación 5.15:
Ek = Y desk−Yk (5.15)
donde,
Y deskes el valor conocido de la salida deseada k.
Yk es el valor de la salida k de la capa de salidas.
En caso de que se requiera el valor del error total, solo es necesario realizar la sumatoria de
los errores cuadráticos de cada salida y dividirlos entre la cantidad de salidas m, como se ve
en la Ecuación 5.16:
CAPÍTULO 5. RECEPCIÓN, PROCESAMIENTO E IDENTIFICACIÓN DE GESTO 91
error =
m
∑
k=1
E2k
m
(5.16)
Este error se utiliza como condición de parada para el entrenamiento de la red, cuando el
error llega a un valor aceptable el entrenamiento es detenido y se dice que la red neuronal ya
está entrenada.
Una vez calculado el error se procede a calcular la sensitividad de la capa de salida, como
se ve en la Ecuación 5.17:
δk = Yk(1−Yk)Ek (5.17)
Con las sensitividades de la capa de salida, se puede calcular los cambios de los pesos y
de los términos bias que estan entre la capa de salida y la capa oculta, estos van con j desde
1 hasta p y con k desde 1 hasta m, como se ve en la Ecuación 5.18:
ΔWj,k = αZ jδk (5.18)
donde,
α es el factor de aprendizaje que determina la velocidad de aprendizaje y varia
de 0 a 1, como se ve en la Ecuación 5.19:
Δθk = α−1δk (5.19)
Después de calcular los cambios de pesos entre la capa de salida y la capa oculta, se
procede a calcular las sensitividades de las neuronas de la capa oculta, como se ve en la
Ecuación 5.20:
δ j = Yj− (1−Yj)(
m
∑
k=1
δk Wj,k) (5.20)
Con las sensitividades de las neuronas de la capa oculta ya es posible calcular los cambios
de los pesos y de los términos bias que están entre la capa oculta y la capa de entrada, estos
van con i desde 1 hasta n, y con j desde 1 hasta p, como se ve en la Ecuación 5.21:
ΔVi, j = αXiδ j
Δθ j = α(−1)δ j (5.21)
CAPÍTULO 5. RECEPCIÓN, PROCESAMIENTO E IDENTIFICACIÓN DE GESTO 92
Una vez encontrados todos los cambios de los pesos y de los términos bias, se procede a
actualizar sus valores de manera matricial, como se ve en la Ecuación 5.22:
V =V +ΔV
W =W +ΔW
θ = θ +Δθ (5.22)
Se considera que ha pasado una época de entrenamiento de la red neuronal cuando se
repite este proceso completo con cada uno de los valores conocidos de entradas y salidas.
El entrenamiento de las redes neuronales generalmente tiene dos condiciones de parada,
ya sea que el error sea menor a un valor pequeño como por ejemplo 0.1, o que el entrena-
miento cumpla una cantidad de épocas determinadas, por ejemplo 10000 épocas.
FFANN en Matlab
El uso de redes neuronales en Matlab tiene una gran facilidad debido al toolbox de redes
neuronales que posee.
Para el uso de redes neuronales solo se necesitan usar 2 comandos principalmente:
feedforwardnet( hiddenSizes, trainFcn): Este comando crea un objeto de red neuronal,
el cual requiere dos argumentos para su funcionamiento, la cantidad de neuronas en su
capa oculta y la función de activación que se utiliza en la red. Mientras que el valor de
la cantidad de neuronas es proporcionado por el usuario mediante la interfaz, como se
ve en la Figura 5.14, la función de activación es ’trainscg’.
Figura 5.14: Cantidad de neuronas en interfaz
train( net, X, Y): Este comando entrena una red neuronal creada con el anterior co-
mando, este requiere 3 argumentos para su funcionamiento, el objeto de la red creado
anteriormente, las entradas ejemplo organizadas por columnas, y las salidas de estas
entradas organizadas de la misma manera.
CAPÍTULO 5. RECEPCIÓN, PROCESAMIENTO E IDENTIFICACIÓN DE GESTO 93
La función utilizada para la red neuronal es la función ’trainscg’, es decir, gradiente escalar
conjugado en backpropagation. Esta es una función de entrenamiento que actualiza los pesos
y valores bias con el método de gradiente escalar conjugado. Este método es utilizado para
minimizar funciones suaves con largas dimensiones, su principal ventaja es que no requieren
almacenamiento ni matrices como en otros métodos Newtonianos o casi-Newtonianos, tam-
bien tiene la ventaja de converger m’as rápido que métodos con inclinaciones mayores. Los
metodos de gradiente conjugado convergen rápidamente tanto para problemas lineales como
para problemas no cuadráticos debido a que las funciones suaves tienen comportamientos
cuadráticos que pueden ser aproximados rápidamente con este proceso. Este método es esca-
lado debido a que los gradientes son escalados para valores iguales a 0 y para valores mayores
a 0, también es un método que utiliza backpropagation para resolver estos diferenciales a ma-
nera de aproximación [28].
El toolbox de Matlab, genera la información del entrenamiento una vez es activado me-
diante el botón diseñado para este propósito como se ve en la Figura 5.15.
Figura 5.15: Entrenamiento de red neuronal artificial
Una vez iniciado el entrenamiento de la red neuronal el toolbox genera dos pantallas, una
con la diagrama de la red neuronal que ilustra de manera esquemática el sistema completo,
como se ve en la Figura 5.16, el sistema en este caso tiene las misma 10 entradas de las 10
funciones de evaluación en el procesamiento de datos, tiene 35 neuronas requeridas por el
usuario de la interfaz, y dos salidas debido a que solo se ingresaron los datos de dos gestos.
Figura 5.16: Diagrama esquemático de la red neuronal
El toolbox también genera los datos del entrenamiento de la red neuronal como se ve en
la Figura 5.17, esta información incluye las características de la red neuronal, los algoritmos
CAPÍTULO 5. RECEPCIÓN, PROCESAMIENTO E IDENTIFICACIÓN DE GESTO 94
usados, el progreso donde está la cantidad de iteraciones y el tiempo de entrenamiento, tam-
bién se encuentra la opción de graficar diferentes datos de la red neuronal en caso que sean
de interés.
Figura 5.17: Información del entrenamiento
5.3. Identificación de gestos
Una vez que la red neuronal es entrenada, al oprimir el botón de detectar como se ve en
la Figura 5.18, se inicia la toma de datos como se explica en la sección 5.1.
Figura 5.18: Botón de detectar gesto
Una vez tomados los datos por medio de comunicación serial, estos son pre-procesados
para solo tomar la parte de la señal que se necesita. Ya con la señal adecuada, se proce-
de a evaluar la señal con las funciones de procesamiento mencionadas en la sección 5.2, y
CAPÍTULO 5. RECEPCIÓN, PROCESAMIENTO E IDENTIFICACIÓN DE GESTO 95
con estos datos se evalúa la red neuronal utilizando el objeto tipo red neuronal creado, para
encontrar que gesto se ajusta más a la señal tomada.
5.3.1. Gestos a identificar
Los gestos escogidos para este propósito fueron escogidos de la taxonomía de agarres de
Cutkosky. Esta consiste en un sistema de clasificación de agarres realizado en el año 1989,
donde se realizó un estudio de los tipos de agarres para diferentes geometrías y diferentes
necesidades de fuerza, es decir, agarres de potencia y agarres de precisión [23]. En la Figura
5.19, se pueden observar los diferentes agarres según sus clasificaciones.
Figura 5.19: Taxonomía de Cutkosky
Los gestos escogidos para ser realizados son 5 de los encontrados usados comúnmente en
CAPÍTULO 5. RECEPCIÓN, PROCESAMIENTO E IDENTIFICACIÓN DE GESTO 96
tareas cotidianas en una publicación de la Asociación Española de Ingeniería Mecánica en
el XIX Congreso Nacional de Ingeniería Mecánica. El gesto predeterminado es simplemente
la mano en posición relajada como se puede ver en la Figura 5.20, este gesto es el inicial
equivalente a ninguna actividad muscular ya que todos los músculos están en su posición
natural [51].
Figura 5.20: Mano relajada
El primer gesto es no prensil, básicamente consiste en una palma abierta utilizada para
manipular objetos sin la necesidad de agarrarlos, como se ve en la Figura 5.21. Un dato
interesante de este es que es utilizado más que todo por la mano izquierda ya que la mano
derecha suele utilizar gestos que requieren agarres prensiles [51].
Figura 5.21: Gesto no prensil
El segundo gesto es un agarre palmar oblicuo con pulgar en aducción, este se puede
observar en la Figura 5.22. Este agarre es una variante del agarre cilíndrico, es el segundo
más utilizado después del agarre de pinza y su tiempo de uso promedio es de 9 segundos, 6
segundos más que el agarre de pinza [51].
Figura 5.22: Agarre palmar oblicuo
CAPÍTULO 5. RECEPCIÓN, PROCESAMIENTO E IDENTIFICACIÓN DE GESTO 97
El tercer gesto es un agarre esférico, este se puede visualizar en la Figura 5.23, en este
agarre interviene la palma, el pulgar esta en oposición directa a los dedos. Este agarre es
utilizado para agarrar objetos esféricos principalmente, pero también se puede adecuar a las
funciones de un agarre cilíndrico, que se usa para agarrar botellas u otras geometrías similares
[51].
Figura 5.23: Agarre esférico
El cuarto gesto es un agarre de pinza lateral, este se puede visualizar en la Figura 5.24,
en este agarre se utiliza la parte lateral de los dedos cerrando la pinza con el pulgar. Este
gesto tiene una duración media de agarre muy baja, pero se utiliza frecuentemente como para
sostener monedas o llaves [51].
Figura 5.24: Agarre de pinza lateral
El quinto gesto es un agarre de pinza simple, este se puede visualizar en la Figura 5.25.
Para este gesto se utiliza el pulgar y las yemas de los dedos, es un agarre de precisión por lo
que no se caracteriza por ser de mucha fuerza [51].
CAPÍTULO 5. RECEPCIÓN, PROCESAMIENTO E IDENTIFICACIÓN DE GESTO 98
Figura 5.25: Agarre de pinza simple
5.4. Señales EMG de cada gesto
Las señales de EMG resultantes tienen algunas variaciones en sus repeticiones, sin em-
bargo, cada gesto tiene características que incluso se pueden distinguir a simple vista.
Se tomaron 75 señales, una señal de unos segundos de las señales EMG de la mano
relajada, 16 señales de la mano extendida en el primer gesto, 14 señales del agarre palmar
oblicuo en el segundo gesto, 17 señales del agarre esférico en el tercer gesto, 13 señales del
agarre de pinza lateral en el cuarto gesto y finalmente 14 señales del agarre de pinza simple
en el quinto gesto.
El tiempo de duración promedio de cada gesto es diferente, pero en general las señales
suelen tener un periodo de duración de entre 0.77 segundos y 1.63 segundos. El primer gesto
tuvo una duración promedio de 1 segundo, el segundo gesto tuvo una duración promedio
de 1,03 segundos, el tercer gesto, el gesto más rápido, tuvo una duración promedio de 0,97
segundos, el cuarto gesto, el gesto más lento, tuvo una duración promedio de 1,37 segundos,
y finalmente el quinto gesto tuvo una duración promedio de 1,33 segundos.
La primera señal es la señal con los músculos relajados, esta se puede observar en la
Figura 5.26.
Figura 5.26: Señal EMG mano relajada
CAPÍTULO 5. RECEPCIÓN, PROCESAMIENTO E IDENTIFICACIÓN DE GESTO 99
La señal es un muy bajo nivel con una pequeña variación de 0,07Vpp en el tiempo.
Figura 5.27: Gesto que se realizo en el momento de la señal
Tomando un segundo de señal EMG de la mano relajada, se realizó su procesamiento con
las funciones y se generaron los resultados que se ven en la Tabla 5.1.
Tabla 5.1: Datos de mano relajada
Función Valor
MAV 0,0094
MNF 22,6539
MNP 7,8125e-5
RMS 0,0116
STD 0,0077
TTP 0,0156
VAR 1,3481e-4
WL 16,9609
Kurtosis 2,9693
Skewness -0,0707
Las 16 señales del primer gesto se pueden visualizar en la Figura 5.28.
CAPÍTULO 5. RECEPCIÓN, PROCESAMIENTO E IDENTIFICACIÓN DE GESTO 100
Figura 5.28: Señales EMG mano estirada
Este gesto en general tiene la menor amplitud de los 5 gestos, debido a que es el que tiene
menor movimiento por lo cual también requiere menor acción de los músculos.
Figura 5.29: Gesto que se realizo en el momento de la señal
Se realizo el procesamiento de las 16 señales del primer gesto, y estos datos se prome-
diaron para poder comprender el comportamiento de estas señales, como se puede ver en la
Tabla 5.2.
CAPÍTULO 5. RECEPCIÓN, PROCESAMIENTO E IDENTIFICACIÓN DE GESTO 101
Tabla 5.2: Datos de la mano estirada
Función Valor
MAV 121,6307
MNF 1,2930
MNP 1,1812
RMS 122,9584
STD 17,8918
TTP 236,2305
VAR 15191
WL 4247,2
Kurtosis 5,15
Skewness -0,1901
Las 14 señales del segundo gesto se pueden visualizar en la Figura 5.30.
Figura 5.30: Señales EMG del agarre palmar oblicuo
Las señales de este gesto generalmente inician con una señal de menor voltaje para des-
pués continuar con una señal de mayor voltaje y de mayor duración.
CAPÍTULO 5. RECEPCIÓN, PROCESAMIENTO E IDENTIFICACIÓN DE GESTO 102
Figura 5.31: Gesto que se realizo en el momento de la señal
Se realizo el procesamiento de las 14 señales del segundo gesto, y estos datos se prome-
diaron para poder comprender el comportamiento de estas señales, como se puede ver en la
Tabla 5.3.
Tabla 5.3: Datos agarre palmar oblicuo
Función Valor
MAV 121,6163
MNF 2,7126
MNP 1,2319
RMS 124,4209
STD 26.0649
TTP 246,3728
VAR 15559
WL 5889,7
Kurtosis 4,8849
Skewness 0,1422
Las 17 señales del tercer gesto se pueden visualizar en la Figura 5.32.
CAPÍTULO 5. RECEPCIÓN, PROCESAMIENTO E IDENTIFICACIÓN DE GESTO 103
Figura 5.32: Señales EMG del agarre esférico
Las señales de este gesto tienen un comportamiento más simétrico en el tiempo que el
resto de gestos.
Figura 5.33: Gesto que se realizo en el momento de la señal
Se realizo el procesamiento de las 17 señales del tercer gesto, y estos datos se promediaron
para poder comprender el comportamiento de estas señales, como se puede ver en la Tabla
5.4.
CAPÍTULO 5. RECEPCIÓN, PROCESAMIENTO E IDENTIFICACIÓN DE GESTO 104
Tabla 5.4: Datos agarre esférico
Función Valor
MAV 121,733
MNF 4,2257
MNP 1,2284
RMS 126,0065
STD 32.8138
TTP 245,6801
VAR 15963
WL 6945,7
Kurtosis 5,0302
Skewness -0,2794
Las 13 señales del cuarto gesto se pueden visualizar en la Figura 5.34.
Figura 5.34: Señales EMG de la pinza lateral
Las señales de este gesto tienen inicialmente su señal mayor principal, y después de esta
una segunda señal inferior al finalizar la anterior.
CAPÍTULO 5. RECEPCIÓN, PROCESAMIENTO E IDENTIFICACIÓN DE GESTO 105
Figura 5.35: Gesto que se realizo en el momento de la señal
Se realizo el procesamiento de las 13 señales del cuarto gesto, y estos datos se prome-
diaron para poder comprender el comportamiento de estas señales, como se puede ver en la
Tabla --.
Tabla 5.5: Datos de pinza lateral
Función Valor
MAV 121,5819
MNF 1,4758
MNP 1,2019
RMS 123,1107
STD 19.0349
TTP 240,3846
VAR 15213
WL 5484,3
Kurtosis 5,9703
Skewness -0,098
Las 14 señales del quinto gesto se pueden visualizar en la Figura 5.36.
CAPÍTULO 5. RECEPCIÓN, PROCESAMIENTO E IDENTIFICACIÓN DE GESTO 106
Figura 5.36: Señales EMG de pinza simple
Las señales de este gesto tienen inicialmente una muy pequeña señal de bajo voltaje,
pero diferenciable de la señal EMG de los músculos relajados, después de esta pequeña señal
inicial la parte principal de la señal con potenciales mucho mayores.
Figura 5.37: Gesto que se realizo en el momento de la señal
Se realizo el procesamiento de las 14 señales del quinto gesto, y estos datos se prome-
diaron para poder comprender el comportamiento de estas señales, como se puede ver en la
Tabla 5.6.
CAPÍTULO 5. RECEPCIÓN, PROCESAMIENTO E IDENTIFICACIÓN DE GESTO 107
Tabla 5.6: Datos de pinza simple
Función Valor
MAV 121,5958
MNF 1,5780
MNP 1,2129
RMS 123,1838
STD 19.5620
TTP 242,5781
VAR 15233
WL 5588,5
Kurtosis 5,836
Skewness 0,069
5.5. Conclusión del capítulo
El preprocesamiento de los datos recibidos por comunicación serial es muy importante,
ya que no todas las funciones de procesamiento tienen un divisor por la cantidad de datos,
es decir que si hay muchos datos, los valores pueden variar para un mismo gesto demasiado,
lo cual dificultaría el trabajo de la red neuronal para identificar los patrones. Para evitar los
valores vacios en los que aun la señal no ha iniciado, pero que aportan valores innecesarios
en el procesamiento, se debe aislar solo la parte de la señal que corresponde puramente a la
señal electromiográfica, haciendo un trabajo de promedios y enventaneados.
El preprocesamiento hablado anteriormente, encargado de captar todos los datos de la
recepción serial y solo tomar los concernientes a la señal electromiográfica, requiere una
calibración, ya que la señal en el momento que no hay señal puede tener pequeñas variación
en el valor medio, o puede ser bastante estable dependiendo del ruido de las instalaciones
donde se realice la prueba o del circuito y alimentación en si.
Se hizo la prueba de identificación de parámetros con diferentes redes neuronales pro-
gramadas para funcionar automáticamente como la red de Matlab, con diferentes funciones
de evaluación internas, pero finalmente la que dio mejores resultados y convergió de mane-
ra más rápida fue la del toolbox de Matlab. Esta herramienta permite un reconocimiento de
parámetros en cuestión de unos segundos, con la seguridad de converger casi siempre, salvo
que exista un error en los parámetros de entrada.
Capítulo 6
Prótesis de mano
Antes de iniciar con este capítulo es importante recalcar que el objetivo principal de este
trabajo es realizar el control de la prótesis mas no dedicarse a diseñarla en si, por esto la pró-
tesis que se utilizara está basada en la mano artificial del ingeniero Daniel Humberto Sánchez
Calderón, como se puede ver en la Figura 6.1, en su trabajo “Consideraciones anatómicas
en el diseño de una mano artificial”, con la diferencia de que la prótesis realizada es de dos
dedos.[46].
Figura 6.1: Mano artificial de Daniel Humberto Sánchez Calderón
La prótesis realizada es una mano con dos dedos, el dedo índice y pulgar como se ve en la
Figura 6.2. Esto se realizó de esta manera debido a que con estos dos dedos se pueden suplir
la mayor parte de las funciones de los 5 gestos y debido a que los recursos económicos no
permitían hacer la mano completa.
108
CAPÍTULO 6. PRÓTESIS DE MANO 109
Figura 6.2: Prótesis de mano
La prótesis consiste en dos dedos antropomórficos y para entender su movimiento es
necesario hacer un estudio cinemático para encontrar su cinemática directa, su cinemática
inversa y su modelo dinámico [46].
6.1. Estudio cinemático
6.1.1. Cinemática directa
La cinemática directa proporciona las ecuaciones que describen las relaciones entre el
movimiento de las articulaciones rotacionales de los dedos y el movimiento resultante en la
estructura completa teniendo en cuenta la posición y orientación del efector final siendo este
la punta del dedo. Para este propósito se utilizan los coeficientes de Denavit-Hartenberg que
utilizan cuatro parámetros del sistema para describir las ecuaciones del sistema. El método de
Denavit-Hartenberg sirve para describir y representar la geometría espacial de los elementos
de una cadena cinemática, el método fija un sistema de coordenadas para cada articulación,
y realiza una serie de algoritmos para encontrar una matriz de transformación homogénea a
partir de las matrices de transformación de cada segmento.
No es necesario repetir el proceso para cada dedo debido a que la estructura es la misma
solo que con diferentes longitudes. De esta manera en la Figura 6.3 se puede observar la
estructura básica de un dedo con sus respectivos sistemas coordenados en cada articulación
[46, 31].
CAPÍTULO 6. PRÓTESIS DE MANO 110
Figura 6.3: Sistemas cordenados de un dedo
Para calcular la matriz final es necesario encontrar la matriz de transformación de cada
segmento y realizar la sumatoria de cada una de ellas como se ve en la Ecuación 6.1:
Tf ,0 = T1,0T2,1T3,2Tf ,3 (6.1)
donde,
T0, f es la matriz homogenea que define el sistema de principio a fin
T0,1 es la matriz de transformación del piso con la primera articulación
T1,2 es la matriz de transformación de la primera articulación con las segunda
articulación
T2,3 es la matriz de transformación de la segunda articulación con la tercera arti-
culación
T3, f es la matriz de transformación de la tercera articulación con el efector final
Cada matriz de transformación se define como se ve en la Ecuación 6.2 [31]:
T0,1 =

cos(θ1) −sen(θ1) 0 0
sen(θ1) cos(θ1) 0 0
0 0 1 0
0 0 0 1
T1,2 =

cos(θ2) −sen(θ2) 0 L1
sen(θ2) cos(θ2) 0 0
0 0 1 0
0 0 0 1

T2,3 =

cos(θ3) −sen(θ3) 0 L2
sen(θ3) cos(θ3) 0 0
0 0 1 0
0 0 0 1
T3, f =

1 0 0 L3
0 1 0 0
0 0 1 0
0 0 0 1
 (6.2)
CAPÍTULO 6. PRÓTESIS DE MANO 111
donde,
θi es el ángulo entre ejes de cada articulación, como se muestra en la Figura 6.3.
Li es la longitud de cada hueso del dedo, como se muestra en la Figura 6.3,.
Para realizar la multiplicación de las matrices de transformación mas simple, se pretende
utilizar la siguiente abreviación:
c1 = cos(θ1)
s1 = sen(θ1)
c2 = cos(θ2)
s2 = sen(θ2)
c3 = cos(θ3)
s3 = sen(θ3)
De esta manera, la matriz general resulta como se ve en la Ecuación 6.3:
T0, f =

r11 r12 r13 dx
r21 r22 r23 dy
r31 r32 r33 dz
0 0 0 1
 (6.3)
donde,
r11 = c3  (c1c2− s1s2)− s2(c1s2 + c2s1)
r12 =−c3(c1c2 + c2s1)− s3(c1c2− s1s2)
r13 = 0
r21 = c3(c1s2 + c2s1)+ s3(c1c2− s1s2)
r22 = c3(c1c2− s1s2)− s3(c1s2 + c2s1)
r23 = 0
r31 = 0
r32 = 0
r33 = 1
dx = c1L1 +L3(c3(c1c2− s1s2)− s3(c1s2 + c2s1))+L2(c1c2− s1s2)
dy = L1s1 +L3(c3(c1s2 + c2s1)+ s3(c1c2− s1s2))+L2(c1s2− c2s1)
dz = 0
CAPÍTULO 6. PRÓTESIS DE MANO 112
La ubicación y orientación están definidas por la matriz de transformación homogénea, los
3 valores verticales correspondientes a dx, dy y dz. Para hacer una simplificación de estos
términos se utilizaron las formulas que se observan en la Ecuación 6.4:
cos(a)cos(b)− sen(a)sen(b) = cos(a+b)
cos(a)cos(b)+ sen(a)sen(b) = cos(a−b)
sen(a)cos(b)+ sen(b)cos(a) = sen(a+b)
sen(a)cos(b)− sen(b)cos(a) = sen(a−b) (6.4)
Finalmente, después de una simplificación, la ubicación y orientación en el plano carte-
siano del efector final f estan definidas por las Ecuación 6.5[46]:
x = L1cos(θ1)+L2cos(θ1 +θ2)+L3cos(θ1 +θ2 +θ3)
y = L1sen(θ1)+L2sen(θ1 +θ2)+L3sen(θ1 +θ2 +θ3)
z = 0
φ = θ1 +θ2 +θ3 (6.5)
donde,
θi es el ángulo entre ejes de cada articulación, como se muestra en la Figura 6.3.
Li es la longitud de cada hueso del dedo, como se muestra en la Figura 6.3,.
x es la coordenada del efector final en el eje horizontal, como se muestra en la
Figura 6.3,.
y es la coordenada del efector final en el eje vertical, como se muestra en la
Figura 6.3,.
z es la coordenada del efector final en el eje de profundidad, como se muestra en
la Figura 6.3,.
φes la orientación del efector final en el plano X-Y, como se muestra en la Figura
6.3.
CAPÍTULO 6. PRÓTESIS DE MANO 113
Una vez conocidas las ecuaciones de movimiento de la estructura, y teniendo en cuenta los
rangos de movimientos físicos de cada articulación en una mano nombrados ya en la Subsec-
ción 2.1.2, se procede a calcular el rango de movimiento del dedo antropomórfico tomando
como interés la posición del efector final de la estructura, es decir, la punta del dedo, como
se ve en la Figura 6.4.
Figura 6.4: Rango de movimiento del dedo antropomórfico
6.1.2. Cinemática inversa
De la misma manera en que la cinemática directa es una función en el dominio θ −→ Rn,
para un sistema de n grados de libertad, proporcionando la posición y orientación corres-
pondientes a unos ángulos de articulaciones; la cinemática inversa proporciona el proceso
inverso, es decir, para una posición y orientación suministra los ángulos de cada articulación
para que al ser evaluados en su cinemática directa proporcione las posiciones y orientaciones
deseadas, siendo del dominio inverso, Rn −→ θ [45].
CAPÍTULO 6. PRÓTESIS DE MANO 114
Figura 6.5: Diagrama para cinemática inversa
Para un sistema como el de un dedo antropomórfico, como el que se ve en la Figura 6.5,
el desarrollo de la cinemática inversa, partiendo de un angulo determinado por el usuario
conocido como InclAng3, se ve en la Ecuación 6.6:
A f x = LongFal3cos(InclAng3)
LadoB = X prima−A f x
A f y = LongFal3cos(InclAng3)
LadoA = Y prima−A f y−AlturaH
Hipotenusa =
√
LadoA2 +LadoB2
Al f a = atan2(LadoA,LadoB) (6.6)
Siguiendo el teorema del coseno, se tiene la Ecuación 6.7:
LongFal2 = Hipotenusa2 +LongFal12−2LongFal1Hipotenusacos(Beta) (6.7)
CAPÍTULO 6. PRÓTESIS DE MANO 115
Despejando Beta de la formula, se tiene como resultado la Ecuación 6.8:
Beta = acos(
LongFal12−LongFal22 +Hipotenusa
2  LongFal1  Hipotenusa )
AngFal1 = Al f a+Beta (6.8)
Nuevamente siguiendo el teorema del coseno, se tiene la Ecuación 6.9:
Hipotenusa2 = LongFal12 +LongFal22−2LongFal1LongFal2cos(AngFal2) (6.9)
Despejando AngFal2, se tiene la Ecuación 6.10:
AngFal2 = acos(
LongFal1−Hipotenusa+LongFal2
2  LongFal1  LongFal2 ) (6.10)
Pasando los angulos despejados al sistema de angulos que se utilizo en la cinematica
directa, de la Figura 6.3, se tiene la Ecuación 6.11:
θ1 = AngFal1
θ2 = 180+AngFal2 (6.11)
Conociendo los angulos de las primeras dos articulaciones, ya solo es necesario despejar
el angulo de la tercera articulación de alguna de las formulas resultantes de la cinemática
directa, se tiene la Ecuación 6.12:
LadoB+A f x = L1cos(θ1)+L2cos(θ1 +θ2)+L3cos(θ1 +θ2 +θ3)
θ3 = acos(
LadoB+A f x−L1  cos(θ1)−L2  cos(θ1 +θ2)
L3
)−θ1−θ2 (6.12)
CAPÍTULO 6. PRÓTESIS DE MANO 116
6.2. Modelo de fuerzas y momentos
Inicialmente, para encontrar un modelo matemático que describa el movimiento de un
dedo, es necesario definir un sistema coordenado para los diferentes puntos de acción del
movimiento. En la Figura 6.6, se puede observar el sistema coordenado cartesiano, definiendo
las uniones con los tendones y la configuración de uniones [12].
Figura 6.6: Sistema coordenado para modelado dinámico
En este sistema propuesto, se encuentran dos sistemas coordenados en la falanges media
y proximal, en cambio en la falange distal y en el metacarpo solo se encuentra un sistema
coordenado. Los sistemas primarios (identificados con los números 2,4 y 6), están ubicados
En el centro de rotación en las cabezas de la falange y el metacarpo, los sistemas secundarios
(identificados con los numero 1, 3 y 5) son traslaciones de los sistemas próximos al centro de
las superficies cóncavas.
Ya con el sistema coordenado, los tendones son representados por una línea recta uniendo
dos puntos designados por los marcadores; uno en el lado distal de la unión y el otro en el lado
proximal de la unión. Existen dos parámetros que determinan el movimiento de los tendones,
el potencial de fuerza y el potencial de momento; el potencial de fuerza está representado por
el coseno direccional de un tendón respecto al sistema distal, este proporciona la contribución
del tendón para generar fuerzas de restricción, en cambio el potencial de momento especifica
el momento efectuado por el tendón respecto al centro de la unión en dirección de cada eje
coordenado del sistema distal, este especifica la función de cada tendón de rotar la unión en
tres direcciones mutuamente perpendiculares[12].
La aplicación de potenciales de fuerza y momento se encuentran en un análisis de fuerza
estático bajo funciones isométricas en ecuaciones de equilibrio.
CAPÍTULO 6. PRÓTESIS DE MANO 117
Las formulas de fuerza en equilibrio se ven en la Ecuación 6.13:
∑αi  Fi +Cx +Rx = 0
∑βiFi +Cy +Ry = 0
∑γiFi +Cz +Rz = 0 (6.13)
donde,
Fi es la fuerza del tendón o del músculo.
αi,βi,γi son los parametros de potencial de fuerza.
Cx,Cy,Cz son las fuerzas de restricción desconocidas en las uniones.
Rx,Ry,Rz son las fuerzas aplicadas externamente.
Las fuerzas de momento en equilibrio, se ven en la Ecuación 6.14:
∑aiFi +Mx +Tx = 0
∑bi  Fi +My +Ty = 0
∑ciFi +Mz +Tz = 0 (6.14)
donde,
Fi es la fuerza del tendón o del músculo
ai,bi,ci son los pontenciales de momento
Mx,My,Mz son los momentos de restricción desconocidos en las uniones
Tx,Ty,Tz son los momentos aplicados externamente
Basados en las ecuaciones del modelo, se puede determinar las fuerzas desconocidas de
los tendones o músculos y las fuerzas y momentos desconocidos en las uniones.
Para encontrar los dos puntos de cada tendón, primero se normalizo los potenciales de
fuerza para que cada parámetro forme un vector unitario, después se ajustó el promedio del
potencial de momento para que el momento y el vector de fuerza de cada tendón sean perpen-
diculares y así finalmente podre calcular las coordenadas de los dos puntos para los tendones,
como se ve en la Figura 6.7[12].
CAPÍTULO 6. PRÓTESIS DE MANO 118
Figura 6.7: Puntos ajustados para el modelo
Una vez ajustados los puntos al eje distal, el sistema se relación con simples transforma-
ciones de translación y rotación. La orientación de cada eje está definida en ángulos de Euler,
ángulos por la flexión y extensión, ángulos de desviación carpo-radial y ángulos de rotación
axial, como se puede ver en la Figura 6.8[12].
Figura 6.8: Angulos de Euler en dedo
Usando estos ángulos de Euler, las coordenadas del punto de un tendón o los componentes
del vector de fuerza están definidos en la Ecuación 6.15[12]:
 XDYD
ZD
=
 c(θ)c(φ) c(θ)s(φ) −s(θ)−c(ψ)s(φ)+ s(ψ)s(φ)c(θ) c(ψ)c(φ)+ s(ψ)s(θ)s(φ) s(ψ)c(θ)
s(φ)s(ψ)+ c(ψ)c(φ)s(θ) −s(ψ)c(φ)+ c(ψ)s(θ)s(φ) c(ψ)c(θ)
 
 XpYp
Zp
+
 XoYo
Zo

(6.15)
CAPÍTULO 6. PRÓTESIS DE MANO 119
donde,
c(angulo) es el valor de la función coseno evaluada en ángulo
s(angulo) es el valor de la función seno evaluada en ángulo
φ es el ángulo de flexión y extension
θ es el ángulo de desviación carpo-radial
ψ es el ángulo de rotación axial por pronación-supinación
XD,YD,ZD son las coordenadas del punto del tendón respecto al sistema distal
Xp,Yp,Zp son las coordenadas del punto del tendón respecto al sistema proxima
Xo,Yo,Zo son las coordenadas del origen del sistema expresadas en el sistema
distal
Este modelado hasta ahora describe el movimiento de una mano humana normal, la prótesis
realizada tiene diferencias respecto a su movilidad y puntos de acción de los tendones. La
prótesis utilizada es una versión simplificada de una mano humana, restringe los movimientos
a simplemente flexión y extensión de los dedos, es decir que los movimientos de abducción y
aducción, y los movimientos de desviación carpo-radial son eliminados. Por esto mismo las
uniones con los tendones se simplifican para que solo haya rotaciones en cada articulación
del dedo como se ve en la Figura 6.9, el dedo queda simplificado a actuadores encargados de
la flexión y actuadores encargados de la extension para cada falange.
Figura 6.9: Tendones para extensión y flexión
El dedo pulgar consiste en una falange distal (DP- Distal Phalange), una falange proximal
(PP- Proximal Phalange) y un hueso metacarpal (MB- Metacarpal Bone), este también tiene
tres uniones como los son las interfalángicas (IP- Intephalangeal), metacarpales-falángicas
CAPÍTULO 6. PRÓTESIS DE MANO 120
(MCP- MethaCarpalPhallangeal) y trapezometacarpales (TM – TrapezoMetacarpal), como
se ve en la Figura 6.10[55].
Figura 6.10: Distribucion de los dedos de la mano, a) El pulgar, b) Otros 4 dedos
Los dedos de esta prótesis se flexionan debido a el mecanismo de poleas con motor, de
manera que funcionan de manera similar a los tendones y músculos que mueven una mano
humana. Para entender la fuerza que es transmitida de cada motor al agarre es importante
entender que el mecanismo transmite fuerza de tensión al dedo. Asumiendo que la fuerza es
constante, la fuerza es calculada en cada unión dependiendo del Angulo del tendón, de la
manera que se ve en la Ecuación 6.16 [55].
F = T sen(θunion) (6.16)
CAPÍTULO 6. PRÓTESIS DE MANO 121
Figura 6.11: Parametros para el calculo de ecuaciones
La ecuación de equilibrio de momento para cada unión es diferente, para el movimiento
de la falange que se observa en la Figura 6.11, para el análisis de cada falange eso solo
necesario recalcular los ángulos y longitudes que aparecen en la Ecuación 6.17:
∑MA = dF− l2  FD + l1FDcos(β +θunion)− l4Ff inal− l1Ff inalcos(θunion) = 0 (6.17)
donde,
l1, l2 son las longitudes de la falanges
l3es la longitud del enlace
β es el ángulo entre l2− l4
CAPÍTULO 6. PRÓTESIS DE MANO 122
El mismo caso pasa con el cálculo de fuerzas, las fuerzas estas representadas en la Figura
6.11 para su mejor entendimiento [55], como se ve en la Ecuación 6.18:
∑Fx = FAx +FEx +FDx +Ff inal.x = 0
∑Fy = FAy +FEy +FDy +Ff inal.y = 0 (6.18)
6.3. Impresión 3D
Las piezas de la prótesis de mano fueron construidas por medio de impresión 3D, para de
esta manera su fabricación fuera barata, rápida y precisa.
Las impresoras 3D son impresoras aditivas que realizan solidos adicionando capas de ma-
teriales, generalmente plásticos, hasta lograr que capa por capa la forma final sea lograda. Las
impresoras 3D crean prototipos de bajo costo rápidamente, y permitiendo una gran exactitud
en sus contornos debido a su buena resolución de trabajo. La mayoría están diseñadas para
crear partes de pequeñas dimensiones y alta precisión utilizando la técnica de FDM (Fused
Deposition Modelling) calentando un material con unas condiciones especiales para ser ex-
truido por la boquilla de la impresora, que por medio de un sistema mecánico calibrado se
mueve por la superficie formando la figura deseada [49].
6.3.1. Propiedades mecánicas y térmicas del ABS
El material utilizado para la impresión 3D es ABS (Acrylonitrile Butadiene Styrene), es
un termoplástico que se ha comprobado que tiene las resistencias en tensión, flexión, expan-
sión térmica y mecánica dinámica apropiadas para proveer piezas con buenas características
físicas por medio de manufactura aditiva de este material en el modelado de la pieza [53].
El ABS, es un termoplástico, es decir que cuando se calienta a cierta temperatura se vuelve
deformable. Es considerado un plástico de ingeniería, debido a que su elaboración y procesa-
miento es más complejo que los plásticos comunes. Este está compuesto por tres monómeros
diferentes los cuales son Acrilonitrilo, butadieno y estireno, las iniciales de cada material es
el que le da el nombre de ABS [46].
Cada monómero le proporciona propiedades diferentes al material completo:
CAPÍTULO 6. PRÓTESIS DE MANO 123
Tabla 6.1: Propiedades de cada monómero
Monómero Propiedades
Acrilonitrilo - Resistencia térmica
- Resistencia química
- Resistencia a la fatiga
- Dureza y rigidez
Butadieno - Ductilidad a baja
temperatura
- Resitencia al impacto
Resistencia a la fusión
Estireno - Facilidad de procesado
- Brillo
- Dureza y rigidez
El ABS se clasifica dependiendo de la cantidad de OMMT (Organic Modified Montmori-
llonite) que posea ya sea 1%, 3% o 5%, denominándose ABS-1, ABS-3 y ABS-5 respectiva-
mente. Este material es homogenizado usando una extrusora que pasara por un cambio de 6
temperaturas que son 200°C, 210°C, 220°C, 210°C y nuevamente 200°C para ser finalmente
extruida a una velocidad de 50rpm en el tornillo extrusor [53].
Las pruebas de tensión y modulo elástico se pueden observar en la Figura 6.12, se puede
observar que tanto la fuerza tensión como módulo de elasticidad aumenta mientras aumenta el
porcentaje de OMMT, de la misma manera con el aumento de OMMT se redujo la elongación
en ruptura. Esto se explica debido a que el OMMT tiene un módulo y una fuerza de tensión
mucho mayor que el ABS, resultando en que su mezcla mejora las propiedades del ABS puro,
esto también provoca en que se restrinja la movilidad de las cadenas moleculares del ABS
causando una mayor dureza y una menor elongación de los nano compuestos [53].
CAPÍTULO 6. PRÓTESIS DE MANO 124
Figura 6.12: Pruebas de tensión, a) Fuerza de tensión, b) Módulo elástico
Las pruebas de extensión se pueden observar en la Figura 6.13. De manera similar a las
propiedades de tensión, la fuerza de flexión y el módulo de flexión se incrementaron con el
contenido de OMMT. De misma manera que en el caso anterior la explicación de esto es
debido a las mejores propiedades del OMMT, el cual al ser mezclado mejora sus propiedades
mecánicas haciéndolo un mejor material para impresión 3D [53].
CAPÍTULO 6. PRÓTESIS DE MANO 125
Figura 6.13: Pruebas de flexión, a) Fuerza de flexión, b) Módulo de flexión
Para la impresión 3D por FDM, el radio expansión térmica es un factor crítico que afecta
la dimensión de los productos y puede llegar a deformarlos. Como se ve en la Figura 6.14,
los polímeros con un bajo radio de expansión térmica no tienen un cambio en su volumen
muy significativo resultando con una deformación, y pandeo de la estructura mínimos, en
cambio con un alto radio de expansión lineal la Figura se puede ver gravemente afectada en
su geometría y calidad [53].
Figura 6.14: Comportamiento del material dependiendo del radio de expansión térmica
CAPÍTULO 6. PRÓTESIS DE MANO 126
El comportamiento de los termoplásticos con su expansión térmica respecto a la tem-
peratura está representado en la Figura 6.15. Se puede observar que el radio de expansión
térmica se reduce respecto al contenido de OMMT en el termoplástico, esto se da debido a
que el OMMT trabaja como un segmento más duro que restringe el movimiento de las ca-
denas moleculares del polímero, reduciendo el índice de contracción del material así mismo
reduciendo la deformación y el pandeo en el material [53].
Figura 6.15: Pruebas termicas de radio de expansión térmica
6.4. Construcción de cartílagos
El cartílago es un tejido conjuntivo, compuesto por fibras con buenas características en
resistencia, elasticidad y flexibilidad. Esta forma una capa que recubre los extremos de los
huesos en las articulaciones, para que al moverse los huesos giren en las articulaciones con
suavidad sin desgastarse en el roce de hueso con hueso.
Para diseñar un polímero que tuviera las características adecuadas para un cartílago se
utilizó una mezcla homogénea de silicona fría y maizena. La mezcla se realizó agregando un
40% de silicona fría en un contenedor de 60% de maizena, esto después de mezclarse crea
un polímero elástico y fácil de manipular que al secarse presenta buenas características de
tensión [46].
6.4.1. Pruebas del material
Para verificar las características del material, se hizo un ensayo de tracción creando una
probeta con el material e introduciéndola en la máquina para el ensayo, como se ve en la Fi-
gura 6.16, tomando con anterioridad las medidas del diámetro del cuello, y el área transversal
del material.
CAPÍTULO 6. PRÓTESIS DE MANO 127
Figura 6.16: Prueba de tracción del material
En el ensayo se encontró una gran elongación en el material mostrando sus grandes capa-
cidades de elasticidad en cada muestra, lo que denota una gran resistencia a la tensión.
Después de la ruptura del material, observando la factura, se puede observar que cumple
con el comportamiento característico de un polímero que al aplicarle fuerza se contrae. Esto
se puede apreciar en la Figura |6.17, donde se pueden observar los dos extremos de la ruptura
ubicándose la falla en la parte superior de la imagen.
Figura 6.17: Ruptura del cuello de la probeta
CAPÍTULO 6. PRÓTESIS DE MANO 128
6.5. Tendones de la prótesis
La prótesis es accionada por medio de tendones que mueven cada articulación. Como se
mencionó anteriormente los tendones son tejidos conectivos que juntan a un musculo con un
hueso, transmitiendo la fuerza de contracción del musculo a la articulación, y de esta manera
mover el hueso[46].
El tendón tiene un comportamiento visco elástico, con resistencia a la tensión y a la
elasticidad, de esta manera manejan grandes cargas a una frecuencia creciente. Para remplazar
este tejido biológico en la prótesis se utilizó nylon gracias a sus propiedades mecánicas, su
accesibilidad y bajo precio.
El nylon es un material que surge de la reacción de ácido adípico y hexametilenediamina,
la cual es exotérmica por lo cual se lleva a cabo en un proceso de alta presión utilizando
como catalizador cobalto o hierro, y luego de baja presión usando como catalizador níquel
Raney. Este proceso crea sal de nylon 6.6 a la cual se le agrega diamína, con esta se inicia
una polimerización de fase sólida para aumentar el peso molecular del polímero, a los pellets
de este material hecho vía autoclave [50].
El nylon es un material termoplástico resistente a la tensión, translucido blanco, semi-
cristal no y un material con un alto punto de fusión (255 °C) [50]. Este material tiene una
gran elasticidad, como se puede ver en La Figura 6.18, su curva de Esfuerzo-Deformación
muestra su comportamiento plástico, su gran Esfuerzo de Cedencia y sus grandes capacida-
des de deformación plástica. El material puede llegar a un esfuerzo de casi 9 KPsi con una
deformación aproximada del 30%, el material tiene el comportamiento típico de un plástico,
con una gran elasticidad y una buena resistencia a la ruptura [54].
Figura 6.18: Curva Esfuerzo-Deformación Nylon 6.6
CAPÍTULO 6. PRÓTESIS DE MANO 129
6.6. Selección de motores
Para el movimiento de la prótesis se utilizaron 6 motores, donde cada uno se encarga del
movimiento de una articulación. Para este propósito, se necesita un movimiento controlado
con un torque que pueda vencer el coeficiente de elasticidad de los cartílagos que sostienen
las imitaciones de huesos de la prótesis.
Para hacer la transmisión de potencia en movimiento se utilizan servomotores, este tiene
precios aceptables y proporcionan torque suficiente para mover las articulaciones, también
debido a que tiene su propio control de posición, las posiciones de los gestos se adecuan a
las funciones de una mano humana. El tamaño del servomotor es mayor al del motor DC,
además tiene aislamiento en su control y su alimentación por lo que no requiere un acople
para el control, así que hay más protección en el manejo de este tipo de motores.
El servomotor que se pretende a usar es un Futaba S3003, el cual se puede observar en
la Figura 6.19, este maneja dos voltajes de operación, de 4.8V y de 6.0V, dependiendo del
voltaje de alimentación el motor puede trabajar con un torque de3,2Kgcm a 4,1
Kg
cm , el motor
mide 41 x 20 x 36 mm, y tiene un peso de 37.2g. La señal de control del motor debe tener un
voltaje pico que este entre 3V y 5V, para que el motor detecte la señal PWM [2].
Figura 6.19: Servomotor Futaba S3003
6.7. Base que sostiene la prótesis
Para sostener la prótesis se realizó una base, en esta están acoplados los motores, el espa-
cio para la transmisión de los tendones, y el espacio para acoplar la prótesis en sí.
La base consta de 11 partes, de 8 diferentes formas como se ve en la Figura 6.20. La
estructura está diseñada para que no se deforme o ladee gracias a ciertas partes que actúan
CAPÍTULO 6. PRÓTESIS DE MANO 130
como refuerzos para que toda la estructura sea sólida, aparte de esto las esquinas están redon-
deadas para que las puntas no sean peligrosas y no puedan hacer daño y también para reducir
los concentradores de esfuerzo en esas secciones.
Figura 6.20: Tipos de piezas utilizados en la base
La base fue diseñada para ser producida por medio de corte laser, por eso el tamaño de las
muescas debe ser determinado por el material, ya que si el material no es lo suficientemente
sólido y el espesor es muy delgado la estructura podría torcerse o fracturarse. Por esto el
material escogido es MDF de 5.1 mm de espesor, este material aparte de ser barato permite
su prototipado por corte laser y es bastante rígido, por lo que no debería torcerse o deformarse.
El MDF (Medium-Density Fibreboard), o también conocido como tablero de fibra de
densidad media, es un material que se realiza por medio de aplicar presión y calor a fibras de
madera con adhesivo. Este material se caracteriza por tener una densidad mínima de 450Kgm3 ,
es un material uniforme y homogéneo, idealmente está hecho para ser utilizado en un ambien-
te seco ya que tiene una resistencia baja a la humedad debido a su alta capacidad de absorción
de agua. El material es dimensionalmente estable, incluso más que la madera maciza, por esto
su uso es apreciado en carpintería y aplicaciones mobiliarias [6].
La base fue cortada y ensamblada con un adhesivo común para madera en sus uniones,
con esto se logró que cada pieza se mantenga en su lugar. El resultado fue la estructura que
se puede ver en la Figura 6.21, en la estructura se aseguran los servomotores con tornillos, y
la mano antropomórfica es posicionada en el orificio diseñado para este propósito.
CAPÍTULO 6. PRÓTESIS DE MANO 131
Figura 6.21: Perfiles de la base con motores
6.8. Movimiento de la prótesis
La prótesis real que fue construida se puede ver en la Figura 6.22.
Figura 6.22: Prótesis construida
El rango de movimiento y su facilidad dependen principalmente de dos cosas, de la re-
CAPÍTULO 6. PRÓTESIS DE MANO 132
sistencia que pongan los cartílagos al movimiento debido a la elasticidad del polímero, y del
torque que pueda ejercer el motor.
El movimiento de la prótesis es de extensión y flexión en cada dedo con cada articulación
moviendose independientemente. El movimiento de uno de los dedos se puede observar en
la Figura 6.23, este se está flexionando en cada cuadro por secciones.
Figura 6.23: Movimiento de la prótesis
6.9. Gestos realizables por el modelo
El modelo virtual, a pesar de no tener todos los grados de libertad que posee una mano
humana, se puede adaptar apropiadamente los gestos comunes de una mano. Para demostrar
que el modelo cumple con las funciones básicas de una mano, en la Figura 6.24, se puede
observar el modelo animado realizando los diferentes agarres de Cutkosky, adaptándose a los
diferentes objetos y superficies que puede manejar una mano humana.
CAPÍTULO 6. PRÓTESIS DE MANO 133
Figura 6.24: Agarres realizados por el modelo animado
CAPÍTULO 6. PRÓTESIS DE MANO 134
6.10. Conclusión del capítulo
Aunque una prótesis de mano antropomórfica basada en movimiento de tendones ofrece
una gran transparencia gracia a su funcionamiento similar al de una mano humana, su ela-
boración se puede realizar de maneras más conveniente. El sistema de tendones proporciona
una gran precisión, pero respecto a la potencia, la fuerza que puede llegar a generar es menor
que el de una mano humana. Así mismo su control es más complicado, ya que hay un actua-
dor independiente para cada articulación, lo cual no solo genera más trabajo en el control del
movimiento, sino que no es igual con una mano humana, ya que al analizar el movimiento
al cerrar un dedo se observa que el movimiento de cada articulación es simultaneo, mas no
independiente.
El material mezclado para realizar los cartílagos pese a tener buenas propiedades me-
cánicas, tiene el problema de ser muy variable en sus propiedades y fabricación, debido a
que no hay una receta exacta que mencione el tipo de silicona usada, el tipo de Maizena, la
proporción a mezclar en volumen o en peso, y la manera correcta de mezclarla. Al intentar
realizar la mezcla, múltiples veces se tuvieron diferentes resultados, o muy pegajosa, o con
consistencia inestable, o muy sólida y no maleable debido a que a la hora de terminar de
mezclar la silicona se había secado. Debido a que no se encuentra una receta probada o unas
características fijas de la mezcla, los cartílagos tienen diferentes propiedades dependiendo de
su elaboración, o incluso del tiempo de su moldeo.
Para que el movimiento sea continuo, es necesario mantener una buena tensión en los
tendones, para este propósito, los ejes se encajen a presión contra los servomotores. En este
aspecto existe un problema, y es que durante el movimiento, los ejes tienden a soltarse por
la tensión que hacen los tendones hacia un lado, provocando que el eje llegue a girar y se
desprenda del servomotor, causando que se pierda la transmisión de movimiento.
Capítulo 7
Animación virtual y movimiento físico
El objetivo es que se capten las señales electromiográficas, estas sean procesadas y ana-
lizadas y posteriormente se detecten los gestos asociados para proceder a mover la prótesis
a la que se encuentre asociado el control. El movimiento de la prótesis es tanto físico como
virtual, es decir, se puede visualizar el movimiento de los dedos de una mano esquelética
animada virtualmente y físicamente también se puede observar la prótesis moviéndose para
realizar el mismo gesto que se encuentra en la animación.
7.1. Animación virtual
La animación virtual se realizó utilizando la herramienta de SimMechanics en Solid-
Works y con Simulink, el toolbox de Matlab, como plataforma base para realizar el animado.
7.1.1. Modelo en SimMechanics
SimMechanics o Simscape Multibody como se le llama actualmente, es un entorno de
simulación multicuerpo para sistemas mecánicos en 3D. Este entorno modela sistemas utili-
zando bloques que representan bloques, uniones, restricciones, actuadores y sensores como
se puede ver en la Figura 7.1. De esta manera SimMechanics formula y resuelve las ecua-
ciones de movimiento para el sistema mecánico completo permitiendo su manipulación. Esta
herramienta permite importar ensamblajes CAD con todos sus elementos, características y
relaciones para generar el modelo en 3D [48].
135
CAPÍTULO 7. ANIMACIÓN VIRTUAL Y MOVIMIENTO FÍSICO 136
Figura 7.1: Logo de Simmechanics
Para el CAD del modelo de la animación, se utilizó el enmallado del Ingeniero Daniel
Humberto Sánchez Calderón en su trabajo de grado “Consideraciones Anatómicas en el Di-
seño de una Mano Artificial”, este realizo un ensamblaje con el dedo pulgar, índice, corazón,
anular y meñique, cada dedo con sus tres falanges ensambladas previamente, definiendo sus
restricciones y guías de movimiento. El enmallado se realizó con AutoDesk Maya una apli-
cación de software 3D, se utilizó porque los huesos humanos no tienen una forma uniforme
así que realizar un sólido es muy complicado, de esta manera este reduce los nodos creando
un enmallado. A los diferentes huesos se les punto de diferentes colores para diferenciarlos
mejor, a las primeras falanges se le puso un color amarillo, a las segundas falanges se le puso
color azul, a las terceras falanges se le puso color rojo y finalmente a la palma se le dejo un
color negro, como se ve en la Figura 7.2 [46].
Figura 7.2: Enmallado de la mano
CAPÍTULO 7. ANIMACIÓN VIRTUAL Y MOVIMIENTO FÍSICO 137
Para realizar la conversión del solido en SolidWorks a un modelo en SimMechanics es
necesario activar el complemento Simscape Multibody Link como se ve en la Figura 7.3. Esta
ventana se encuentra en la esquina superior de la interfaz de SolidWorks 2016, la version
utilizada para el desarrollo de esta tarea.
Figura 7.3: Complemento Simscape Multibody Link en SolidWorks
Una vez activado el complemento para SolidWorks, es necesario exportar el modelo como
Simscape Multibody First Generation, como se ve en la Figura 7.4, para que se proceda a
crear el modelo SimMechanics que posteriormente será controlado por medio de Simulink
de Matlab.
Figura 7.4: Exportar modelo SimMechanics
Una vez creado el modelo en SimMechanics se generan 3 tipos de extensiones, extensión
tipo .obj que corresponden a archivos tipo objeto 3D, extensión tipo .step que corresponden a
CAPÍTULO 7. ANIMACIÓN VIRTUAL Y MOVIMIENTO FÍSICO 138
archivos con información del CAD anteriormente utilizado, y finalmente extensión tipo .slx,
como se ve en la Figura 7.5, que es el archivo correspondiente al toolbox Simulink de Matlab
con los bloques que definen el sistema mecánico.
Figura 7.5: Archivos del modelo en SimMechanics
7.1.2. Simulación de movimiento en Simulink
Simulink es un entorno basado en un diagrama de bloques para la simulación de sistemas
como se puede observar en la Figura 7.6. Este entorno permite el diseño y manipulación de
sistemas, generación de código y programación y manejo de sistemas embebidos a través de
una biblioteca de bloques personalizables y solvers para modelar y simular sistemas dinámi-
cos. Simulink tiene la posibilidad de integrarse con Matlab para usar algoritmos, importar y
exportar datos de la simulación y hacer más análisis [34].
Figura 7.6: Logotipo de Simulink
El diagrama de bloques de Simulink se puede ver en la Figura 7.7, este está dividido
CAPÍTULO 7. ANIMACIÓN VIRTUAL Y MOVIMIENTO FÍSICO 139
por 4 secciones principales, el modelo original de SimMechanics, que es el generado por el
complemento en SolidWorks, los actuadores, que son agregados ya en Simulink para poder
mover el modelo 3D, el control de la animación, que es el encargado de mover el modelo
3D progresivamente para que parezca una animación generando así el gesto necesitado de
manera más natural, y finalmente la sección de la conexión con Matlab, donde las posiciones
de cada articulación son enviadas como datos al Workspace base de Matlab.
CAPÍTULO 7. ANIMACIÓN VIRTUAL Y MOVIMIENTO FÍSICO 140
Figura 7.7: Secciones del diagrama en Simulink
CAPÍTULO 7. ANIMACIÓN VIRTUAL Y MOVIMIENTO FÍSICO 141
La sección del modelo original de SimMechanics está compuesta principalmente por cin-
co tipos de bloques como se puede ver en la Figura 7.8, bloques de articulación, bloques de
cuerpo, bloques de soldadura, un bloque de tierra y un bloque de descripción.
Figura 7.8: a) Bloque de descripción, b) Bloque de tierra, c) Bloque de soldadura, d) Bloque
de articulación, e) Bloque de cuerpo
En los bloques de articulación se crea una entrada de actuador para conectar con la sec-
ción de los actuadores, con esto se controla la velocidad, la aceleración y la posición de
cada articulación. Con estos actuadores se realizan los 5 gestos que se tienen determinados
dependiendo del patrón identificado que el control de animación quiera realizar.
La sección del control de animación está encargada de enviar la posición de cada articula-
ción a los actuadores. Dentro de esta sección están guardados los ángulos de cada articulación
para cada uno de los 5 gestos guardados y para el gesto determinado. El control de la anima-
ción toma los datos guardados de la posición inicial de las articulaciones desde la sección de
la conexión con Matlab, a partir de estos datos se encuentra la diferencia de grados para cada
articulación, y encuentra el paso de cada actuador dividiendo esta diferencia por la cantidad
de cuadros por segundo de la animación. Cada paso de cada articulación es multiplicado por
el tiempo de simulación de manera que cada actuador se mueve con el tiempo hasta que al
terminar el tiempo de simulación llegan a la posición final deseada. De esta manera se logra
que la animación en Simulink se vea más fluida y el movimiento no sea instantáneo.
El gesto inicial es la mano relajada, como se puede ver en la Figura 7.9 desde las 5 vistas
y la vista isométrica de Simulink. Este gesto es el determinado con los músculos completa-
mente relajados, es decir ni en flexión ni en extensión.
CAPÍTULO 7. ANIMACIÓN VIRTUAL Y MOVIMIENTO FÍSICO 142
Figura 7.9: Gesto inicial en SimMechanics
El primer gesto es no prensil, como se puede ver en la Figura --- desde las 5 vistas y la
vista isométrica de Simulink. Este gesto consiste en la mano extendida, sin están en hiperex-
tensión.
Figura 7.10: Primer gesto en SimMechanics
El segundo gesto es un agarre palmar oblicuo, como se puede ver en la Figura 7.11 desde
las 5 vistas y la vista isométrica de Simulink. Este gesto consiste en el pulgar extendido y en
los otros cuatro dedos flexionados punto sin que queden completamente cerrados.
CAPÍTULO 7. ANIMACIÓN VIRTUAL Y MOVIMIENTO FÍSICO 143
Figura 7.11: Segundo gesto en SimMechanics
El tercer gesto es un agarre esférico, como se puede ver en la Figura 7.12 desde las 5
vistas y la vista isométrica de Simulink. Este gesto consiste en la flexión de todos los dedos
sin que queden completamente cerrados.
Figura 7.12: Tercer gesto en SimMechanics
El cuarto gesto es un agarre de pinza lateral, como se puede ver en la Figura 7.13 desde
las 5 vistas y la vista isométrica de Simulink. Este gesto consiste en la flexión completa de
los dedos meñique y anular, y una flexión menor en los dedos corazón, índice y pulgar.
CAPÍTULO 7. ANIMACIÓN VIRTUAL Y MOVIMIENTO FÍSICO 144
Figura 7.13: Cuarto gesto en SimMechanics
El quinto gesto es un agarre de pinza simple, como se puede ver en la Figura --- desde las
5 vistas y la vista isométrica de Simulink. Este gesto consiste en la flexión completa de los
dedos meñique, anular y corazón, y una flexión menor en los dedos índice y pulgar.
Figura 7.14: Quinto gesto en SimMechanics
7.2. Movimiento físico
Para el control de los servomotores con Matlab, se utilizó una tarjeta programable Ar-
duino Due. Este fue escogido debido a que se tenía accesibilidad de esta anteriormente, pero
para esta función, cualquier clase de Arduino puede ser utilizada desde que posea más de 6
pines digitales.
Para la integración de Matlab con la tarjeta programable es necesario el Support package
for Arduino® de Mathworks®, este permite la comunicación con la tarjeta programable. El
paquete permite leer y escribir datos y usarlos en Matlab[1].
CAPÍTULO 7. ANIMACIÓN VIRTUAL Y MOVIMIENTO FÍSICO 145
Para utilizar el paquete para Arduino en Matlab para controlar el motor es necesario
primero tener las conexiones apropiadamente, como se ve en la Figura 7.15. Para protección
de la tarjeta programable, los servomotores son alimentados con una fuente externa, de esta
manera se evita que algún pico de corriente pueda dañar la tarjeta. El pin de control de cada
servomotor, se encuentra conectado a un pin digital de la tarjeta programable, y finalmente
para que el voltaje pueda ser interpretado correctamente es necesario unificar la tierra del
Arduino con la tierra de la fuente.
Figura 7.15: Conexión Arduino due y servomotores
En la plataforma de programación de Matlab es necesario realizar ciertos pasos para poder
utilizar el paquete correctamente [1].
Primero es necesario crear un objeto de Arduino e incluir las librerias necesarias, como
se ve en el código 7.1.
due = arduino() (7.1)
donde,
arduino() es la función que identifica el puerto de conexión del Arduino, el
modelo, y las librerías que se van a utilizar y con estos datos crea el
objeto Arduino.
Después de crear el objeto de Arduino, es necesario crear un objeto Servo para cada servo-
motor, como se ve en el código 7.2.
f ali = servo(due, ‘Di’) (7.2)
donde,
f ali es el nombre del objeto para la falange numero i.
servo(.) es la función encargada de crear el objeto tipo servo, donde se es-
pecifica el objeto de Arduino a utilizar y el pin digital donde se
encuentra conectado el servomotor.
due es el objeto Arduino.
CAPÍTULO 7. ANIMACIÓN VIRTUAL Y MOVIMIENTO FÍSICO 146
‘Di’ es el pin digital numero i.
Una vez inicializados correctamente todos los objetos, ya se puede proceder a enviar las
señales de control a los servomotores, para esto se utiliza el comando que se ve en el código
7.3[3].
writePosition( f ali, posicion) (7.3)
donde,
f ali es el objeto servo del motor i que se quiere mover.
posicio´n es un valor de 0 a 1 que especifica el angulo deseado siendo 0 equi-
valente a 0° y 1 equivalente a 180°.
Moviendo los diferentes servomotores que se conectan a cada articulación, se realizan los
diferentes gestos detectados por la inteligencia artificial.
El gesto determinado es la mano relajada, como se puede ver en la Figura 7.16. Este
consiste en no realizar ni flexión, ni extensión en ninguna articulación sino simplemente
dejar la prótesis en su estado inicial el cual fue diseñado para lucir como una mano relajada,
es decir, los dedos ligeramente flexionados.
Figura 7.16: Mano relajada
El primer gesto consiste en la mano extendida completamente, como se ve en la Figura
7.17. Este consiste en los dos dedos con todas sus falanges extendidas de manera que los
dedos formen una recta con los huesos de la palma.
CAPÍTULO 7. ANIMACIÓN VIRTUAL Y MOVIMIENTO FÍSICO 147
Figura 7.17: Mano extendida
El segundo gesto consiste en un agarre palmar oblicuo, como se ve en la Figura 7.18. Este
consiste en el pulgar extendido, con su última falange ligeramente más extendida, y el dedo
índice completamente flexionado.
Figura 7.18: Agarre palmar oblicuo
El tercer gesto es un agarre esférico, como se ve en la Figura 7.19. Este consiste en los
dos dedos flexionados parcialmente, de manera que puedan agarrar idealmente un objeto con
características esféricas, este agarre permite gran versatilidad ya que puede adaptarse a varios
objetos.
CAPÍTULO 7. ANIMACIÓN VIRTUAL Y MOVIMIENTO FÍSICO 148
Figura 7.19: Agarre esférico
El cuarto gesto es una pinza lateral, como se ve en la Figura 7.20. Este consiste en el dedo
índice completamente flexionado, y el de dedo pulgar con su primera falange flexionada y
sus otras dos falanges extendidas.
Figura 7.20: Pinza lateral
Finalmente, el quinto gesto es una pinza simple, como se ve en la Figura 7.21. Este con-
siste en los dos dedos flexionados de tal manera que ambos se encuentren en un punto en el
cual se encuentra el objeto a sujetar.
Figura 7.21: Pinza simple
CAPÍTULO 7. ANIMACIÓN VIRTUAL Y MOVIMIENTO FÍSICO 149
7.3. Conclusión del capítulo
El usar SimMechanics junto con Matlab permite que la animación pueda visualizar el
modelo CAD de la prótesis a usar. De esta manera, la animación es más real, y permite ver el
resultado físico que se pretende obtener ya que el control de la animación es como la real, es
decir, moviendo cada articulación hasta el ángulo que se quiera para que la prótesis realice el
gesto que se quiera.
La integración de Matlab con Arduino, permite el manejo de servomotres con la tarjeta
programable Arduino, no requiere la programación del PWM para contralar el servomotor y
simplifica el control a un solo comando, también tiene la ventaja de permitir que el programa
de la red neuronal se pueda conectar directamente con el control de los motores directamente
para realizar el gesto que se necesite.
Es necesario instalar el driver del Arduino Due para el Support package for Arduino, este
no se encuentra incluido de manera determinada en Matlab así que es necesario buscarlo
en la página de Mathworks. Con esto ya será posible que Matlab detecte el Arduino Due
conectado, y enviar las señales por sus puertos digitales para controlar a los servomotores.
A pesar de que el Arduino Due trabaja con voltajes regulados de máximo 3.3V, puede
realizar la labor de enviar la señal de control para los servomotores alimentados con 6.1V,
gracias a que, aunque el nivel alto es de 5V digitalmente, el voltaje de 3.3V logra pasar como
un nivel alto debido a que pertenece al umbral de voltajes altos.
Conclusiones
Se logro realizar un prototipo de circuito de bajo costo que cumpliera con las característi-
cas especificadas, en comparación con otro tipo de dispositivos que se venden en el mercado,
se lograron buenos resultados con un presupuesto mucho menor. El filtrado fue satisfacto-
rio y los 6 canales permitieron una mayor personalización del circuito, permitiendo que se
puedan seleccionar diferentes músculos para identificación de diferentes tipos de gestos que
involucren no solo flexión y extensión de los dedos.
Uno de los mayores problemas que se tuvo en el desarrollo del proyecto fue el circuito
impreso multicapa. Por las características del clima de la ciudad de Bogotá, las impresiones
de este tipo de circuitos no tienen la conexión entre capas, por esto es necesario por medio de
filamentos de cable muy delgados conectar ambas capas en donde sea necesario, esto es un
trabajo bastante tedioso que finalmente requiere de mucho cuidado y paciencia. Otro de los
problemas con el circuito impreso fue que su elaboración fue realizada descuidadamente, por
lo que en ocasiones fue necesario realizar ciertas modificaciones cortando ciertas conexiones
que estaban en contacto mientras no deberían, o caminos en los cuales el cobre estaba tan
defectuoso que se levantaba, por lo cual era necesario con estaño realizar un arreglo en esta
conexión a la terminal que se necesite.
El filtro pasabanda de octavo grado en topología sallen key, permitió reducir la cantidad
de amplificadores operacionales a 8 en total, y tener un buen anti-aliasing con una zona tran-
sitoria bastante pequeña, por lo que la atenuación permite quitar las frecuencias indeseables
sin tener que perder una gran parte de la banda pasante.
El microcontrolador utilizado se escogió principalmente porque tenía una gran versatili-
dad y permitía comunicación USB. Finalmente debido a que la aplicación de este fue bastante
reducida, se pudo utilizar un microcontrolador que ocupe un espacio mucho menor, con un
precio menor, que tenga comunicación serial, modulo ADC y permita la velocidad de envió
necesaria de datos por comunicación serial en vez de comunicación USB.
Se hizo la prueba de identificación de parámetros con diferentes redes neuronales pro-
gramadas para funcionar automáticamente como la red de Matlab, con diferentes funciones
de evaluación internas, pero finalmente la que dio mejores resultados y convergió de mane-
ra más rápida fue la del toolbox de Matlab. Esta herramienta permite un reconocimiento de
parámetros en cuestión de unos segundos, con la seguridad de converger casi siempre, salvo
que exista un error en los parámetros de entrada.
Aunque una prótesis de mano antropomórfica basada en movimiento de tendones ofrece
una gran transparencia gracia a su funcionamiento similar al de una mano humana, su ela-
150
CAPÍTULO 7. ANIMACIÓN VIRTUAL Y MOVIMIENTO FÍSICO 151
boración se puede realizar de maneras más conveniente. El sistema de tendones proporciona
una gran precisión, pero respecto a la potencia, la fuerza que puede llegar a generar es menor
que el de una mano humana. Así mismo su control es más complicado, ya que hay un actua-
dor independiente para cada articulación, lo cual no solo genera más trabajo en el control del
movimiento, sino que no es igual con una mano humana, ya que al analizar el movimiento
al cerrar un dedo se observa que el movimiento de cada articulación es simultaneo, mas no
independiente.
El material mezclado para realizar los cartílagos pese a tener buenas propiedades me-
cánicas, tiene el problema de ser muy variable en sus propiedades y fabricación, debido a
que no hay una receta exacta que mencione el tipo de silicona usada, el tipo de Maizena, la
proporción a mezclar en volumen o en peso, y la manera correcta de mezclarla. Al intentar
realizar la mezcla, múltiples veces se tuvieron diferentes resultados, o muy pegajosa, o con
consistencia inestable, o muy sólida y no maleable debido a que a la hora de terminar de
mezclar la silicona se había secado. Debido a que no se encuentra una receta probada o unas
características fijas de la mezcla, los cartílagos tienen diferentes propiedades dependiendo de
su elaboración, o incluso del tiempo de su moldeo.
Bibliografía
[1] Mathworks- Control Servo Motors. URL https://www.mathworks.com/
help/supportpkg/arduinoio/examples/control-servo-motors.html?
requestedDomain=www.mathworks.com.
[2] S3003 FUTABA SERVO. URL http://www.es.co.th/schemetic/pdf/
et-servo-s3003.pdf.
[3] Mathworks - writePosition.
[4] 1500. Amplitud de movimiento - anatomia . cuerpo humano - tafad - tafad y cursos.
In TAFAD y Cursos, Diciembre 2016. URL http://www.tafadycursos.com/load/
cuerpo_humano/anatomia/amplitud_movimiento/116-1-0-1030.
[5] E. Oliveros Acosta. Recontruccion puesta en funcionamiento y mejora de mano robot
de cuatro dedos que imite los modelos prensiles humanos. Universidad Militar Nueva
Granada, 2013.
[6] AITIM. Tableros de fibras de densidad media (mdf). Productos basicos y car-
piteria, 2015. URL https://www.cscae.com/area_tecnica/aitim/enlaces/
documentos/Tableros_Fibras%20MDF_15.06.2015.pdf.
[7] Alexandridis, Antonios K. Zapranis, Achilleas D. Zapranis, and Achilleas D. Wavelet
Neural Networks. John Wiley & Sons, 2014.
[8] Moh Arozi, Farika T Putri, Mochammad Ariyanto, Wahyu Caesarendra, Augie Widyo-
triatmo, Munadii, and Joga D. Setiawan. Electromyography (emg) signal recognition
using combined discrete wavelet transform based on artificial neural network (ann).
InternationalConference of Industrial, Mechanical, Elictrical, Chemical Engineering
(ICIMECE), 2016. URL http://ieeexplore.ieee.org.ezproxy.umng.edu.co:
2048/stamp/stamp.jsp?arnumber=7910421.
[9] Inc. BioDigital. Biodigital human: Explore the body in 3d! In The BioDigital Human
Platform, Noviembre 2016. URL https://human.biodigital.com/.
[10] Rick Bowers. La fuerza para continuar. inMotion, 16, 2006. URL
http://www.amputee-coalition.org/spanish/inmotion/sep_oct_06/
strength_to_carry.html.
152
BIBLIOGRAFÍA 153
[11] Wahyu Caesarendra, Syhara U Lekson, Khusnul A Mustaqim, Andri R Winoto, and
Augie Widyotriatmo. A classification method of hand emg signals based on principal
component analysis and artificial neural network. International Conference on Ins-
trumentation, control and Automation, 2016. URL http://ieeexplore.ieee.org.
ezproxy.umng.edu.co:2048/stamp/stamp.jsp?arnumber=7811469.
[12] E. Y. Chao. Biomechanics of the hand: A basic Research Study. World Scientific, 1989.
[13] Area de Electronica. Conceptos Fundamentales en el diseno de filtros, chapter 2, pa-
ge 13. ESI, 2004.
[14] Vladimir Pizarro de la Hoz; Giovanny Alberto Rincon Sanchez. Diseno e implementa-
cion de mecanismo de prension para mano robot antropomorfica. Universidad Militar
Nueva Granada, 2012.
[15] Desconocido. En colombia 37 pacientes han sido amputados por quemaduras con pol-
vora. Caracol Radio, 2015. URL http://caracol.com.co/radio/2015/12/26/
nacional/1451159087_391786.html.
[16] Desconocido. En colombia, ya van 79 amputados por el uso inadecuado de la polvo-
ra. EL PAIS, Enero 2015. URL http://www.elpais.com.co/elpais/colombia/
noticias/ya-van-79-amputados-por-uso-inadecuado-polvora.
[17] R. N. Khushaba; S. Kodagoda; M. Takruri; G. Dissanayake. Toward improved control
of prosthetic fingers using surface electromyogram (emg) signals,. Expert Systems with
Applications, 39(12):10731–10738, 2012.
[18] Ricardo Galan; Oscar F. Aviles; Carlos Zubieta; Christian Segura; Mauricio Mauledoux;
Diana Correa; Andres Duran. Sistema de medicion automatica de la movilidad articular
de la mano por medio de un guante de datos. Sociedad Colombiana de Cirugia Plastica
Estetica y Reconstructiva, 2015.
[19] Armin Ehrampoosh, Aghil Yousefi-Koma, Seyed Saied Mohtasebi, and Moosa Ayati.
Emg-based estimation of shoulder kinematic using neural network and quadratic discri-
munant analysis. International Conference on Robotics and Mechatronics, 2016.
[20] Albetro Estebanez. Biomecanica aplicada a la danza dantz-ango. In
DANTZ-ANGO, 2016. URL https://dantz-ango.blogspot.com.co/2015/03/
biomecanica-aplicada-la-danza.html.
[21] C. F. Fernandez. Si hay salida para los amputados. EL TIEMPO, Abril 2006.
[22] Dr. Carlos A. González. Niveles de amputacion. ArcesW, 2005. URL http://www.
arcesw.com/niveles.htm.
[23] T. Gutierrez and Jose J. Diseno y simulacion de una mano mecanica para ser utilizada
como un efecto final robotico. Universidad de Carabobo, Faculta de ingenierÃa, 2010.
BIBLIOGRAFÍA 154
[24] TEXAS INSTRUMENTS. Ina12x precision, low power instrumentation amplifiers.
Technical report, TEXAS INSTRUMENTS, 1995.
[25] Jeffrey C. Ives and Janet K. Wigglesworth. Sampling rate effects on surface emg timing
and amplitude measures. ELSEVIER, 2003.
[26] M. H. Jali, T. A. Izzuddin, Z. H. Bohari, H. I. Jaafar, and M. N. M. Nasir. Pat-
tern recognition of emg signal during load lifting using artificial neural network
(ann). IEEE International Conference on Control System, Computin and Engineering,
2015. URL http://ieeexplore.ieee.org.ezproxy.umng.edu.co:2048/stamp/
stamp.jsp?arnumber=7482179.
[27] Kattan, Ali Abdullah, Rosni Geem, and Zong Woo. Artificial Neural Network Training
and Software Implementation Techniques. Computer Networks, 2011.
[28] A. E. Kostopoulos and T. N. Grapsa. Self-scales conjugate gradient training algorithm.
Neurocomputing, 2009.
[29] Vicente C. Leis, A. Arturo; Trapani. Atlas of Electromyography. -, -.
[30] Gianluca De Luca. Fundamental concepts in emg signal acquisition. Delsys, 2003.
[31] Kevin M. Lynch and Frank C. Park. MODERN ROBOTICS MECHANICS, PLANNING,
AND CONTROL. Cambridge University, 2017.
[32] C. A. Riano Rios; V. E. Quintero Machado. Control de una mano virtual usando senales
electromiograficas. Universidad Militar Nueva Granada, 2010.
[33] J. C. Marcos. 2-movimientos basicos del cuerpo humano j.c. healthy live. In jctraining,
Diciembre 2016. URL http://jctraining.webnode.es/anatomia-fisiologia/
a1-movimientos-del-cuerpo/.
[34] Mathworks. Simulacion y diseno basado en modelos. In Simulink, 2017.
[35] Johnnie Molina. Design a 60hz notch filter with the uaf42. Bur Brown Application
Bolletin, 1994.
[36] Rafael Barea Navarro. Instrumentacion biomedica - electromiograNavarro-, chapter 5,
page 19. Departamento Electronica, -. URL http://www.bioingenieria.edu.
ar/academica/catedras/bioingenieria2/archivos/apuntes/tema%205%20-%
20electromiografia.pdf.
[37] Kim Norton. Un breve recorrido por la historia prostesica. inMotion, 17(17), 2007.
[38] J. Rondon; G. Ocampo. Diseno y contruccion de una mano robot de cuatro dedos.
Universidad Militar Nueva Granada, 2006.
BIBLIOGRAFÍA 155
[39] Emmarock Papre. Anatomia de la mano(huesos,ligamentos,articulaciones y muscu-
los). In SlideShare, Diciembre 2016. URL http://es.slideshare.net/Pradigun/
anatomia-de-la-manohuesosligamentosarticulaciones-y-musculos.
[40] Angkoon Phinyomark, Sirinee Thongpanja, Housheng Hu, Pornchai Phukpattaranont,
and Chusak Limsakul. Computational Intelligence in Electromyography Analysis - A
Persepective on Current Aplications and Future Challenges, chapter The Usefulness
of Mean and Median Frequencies in Electromyography Analysis, pages 196–220. IN-
TECH, 2012.
[41] Angkoon Phinyomark, S. Thongpanja, P. Phukpattaranontc, and Chusak Limsakul.
Mean and median frequency of emg signal to determine muscle force based on
timedependent powerspectrum.ELEKTRONIKA IR ELEKTROTECHNIKA,2016.
[42] Diego Pincay. Huesos de la mano. In SlideShare, Diciembre 2016. URL http://es.
slideshare.net/diegopincay7/huesos-de-la-mano-50826537.
[43] Racocojcscu. Archivo:anatomiadelamano.jpeg - ecured. In EcuRed, 2016. URL https:
//www.ecured.cu/Archivo:Anatomiadelamano.jpeg.
[44] Victor Rivas. Victor rivas quiromasaje y tapping: Ejercicios para artritis. In Victor Rivas
Quiromasaje y Tapping, Diciembre 2016. URL http://quiromasajetapping.blogspot.
com.co/2014/11/ejercicios-para-artritis.html.
[45] Proyectos roboticos google sites. Cinematica inversa para un brazo robot de 5 gra-
dos de libertad. In Cinematica III, 1999. URL https://sites.google.com/site/
proyectosroboticos/cinematica-inversa-iii.
[46] Daniel Humberto Sanchez Calderon. Consideraciones anatomicas en el diseno de una mano
artificial. Universidad Militar Nueva Granada, 2016.
[47] Peter Siao, Didier Cros, and Steve Vucic. Practical Approach to Electromyography An Illus-
trated Guide for Clinicians. Demos Medical Publishing, 2011.
[48] Simscape Multibody Tecnica Expert Steve Miller. Model and simulate multibody mechanical
systems. In Simscape Multibody, 2017. URL https://www.mathworks.com/products/
simmechanics.html.
[49] Marian Stopka, Robert Kohar, Stanislav Gramblicka, and Rudolf Madaj. Dynamicas analysis
of 3d printer’s powertrain. International scientific conference on sustainable, modern and
safe transport, 2017.
[50] TextosCientificos.com. Nylon 66. In Polimeros, 2005. URL https://www.
textoscientificos.com/polimeros/nylon/nylon66.
[51] M. Vergara, J. Serrano Cabedo, P. J. Rodriguez Cervantes, and A. Perez Gonzalez. Resulta-
dos de un trabajo de campo sobre agarres utilizados en tareas cotidianas. In XIX Congreso
Nacional de Ingenieria Mecanica - Asociacion EspañoladeIngenieriaMecanica,2012.
BIBLIOGRAFÍA 156
[52] Halit Eren Webster, John G.;. Measurement, Instrumetation, and sensors Handbook, volu-
me 74. CRC Handbook, 2014.
[53] Zixiang Weng, Jianlei Wang, T. Senthil, and Lixin Wu. Mechanicas and thermanl propertiesof
abs/montmorillonite nanocomposites for fused deposition modeling 3d printing. Material
and Design, 2016.
[54] www.artisam.org Consultores industria textil y quimica. Capitulo 15. polimeros. In Desco-
nocido, pages 449–507, Consultado 2017. URL http://www.artisam.org/descargas/
pdf/POLIMEROS.pdf.
[55] Sung yoon Jung and Inhyuk Moon. Grip force modelin of a tendon-driven prost-
hetic hand. International Conference on Control, Automation and Systems 2008,
2008. URL http://ieeexplore.ieee.org.ezproxy.umng.edu.co:2048/stamp/
stamp.jsp?arnumber=4694429.
[56] W. Guo; P. Yao; X. Sheng; D. Zhang; X. Zhu. An enhanced human-computer interface
based on simultaneous semg and nirs for prostheses control. International Conference on
Information and Automation, pages 204–207, Julio 2014.
[57] W. Guo; P. Yao; X. Sheng; H. Liu; X. Zhu. A wireless wearable semg and nirs acquisition
system for an enhanced human-computer interface. International Conference on Systems,
Man, and Cybernetic, pages 2192–2197, Octubre 2014.
Apéndice A
Anexos
A.1. Programa del microcontrolador
short dato;
void interrupt()
{
TMR1L=0x5f;
TMR1H=0xf0;
dato=ADC_Read(2);
PORTB = dato;
while(UART1_Tx_Idle() != 1) {}
UART1_Write(dato);
PORTD.F1 = ~PORTD.F1;
TMR1IF_bit=0;
}
void main() {
UART1_Init(115200);
Delay_ms(100);
ADCON1 = 12;
CMCON |= 7;
GIE_bit =1;
PEIE_bit=1;
TMR1IE_bit=1;
TMR1IF_bit=0;
TMR1IP_bit=1;
TMR1ON_bit=1;
ADC_Init();
TRISA=0xFF;
TRISD=0;
TRISB=0;
while(1) {}
157
APÉNDICE A. ANEXOS 158
}
A.2. Programa Matlab
function varargout = tesisfig(varargin)
gui_Singleton = 1;
gui_State = struct(’gui_Name’, mfilename, ...
’gui_Singleton’, gui_Singleton, ...
’gui_OpeningFcn’, @tesisfig_OpeningFcn, ...
’gui_OutputFcn’, @tesisfig_OutputFcn, ...
’gui_LayoutFcn’, [] , ...
’gui_Callback’, []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end
if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
global autoriza
global arreglo
global tamanos
global fs
fs = 3000;
APÉNDICE A. ANEXOS 159
function tesisfig_OpeningFcn(hObject, eventdata, handles, varargin)
handles.output = hObject;
guidata(hObject, handles);
function varargout = tesisfig_OutputFcn(hObject, eventdata, handles)
varargout{1} = handles.output;
function capturar_Callback(hObject, eventdata, handles)
autorizacion = str2num(get(handles.autorizacion,’String’))
global autoriza
global arreglo
global tamanos
global fs
clear graficar
rep=str2num(get(handles.repeticion,’String’));
ges=str2num(get(handles.gesto,’String’));
muestras = str2num(get(handles.nummuestras,’String’));
gestos = str2num(get(handles.numgestos,’String’));
disp(strcat(’Vizualizando gesto’,num2str(ges),’ muestra’,num2str(rep)))
if rep<=tamanos(ges) && ges<=length(tamanos)
graficar = quitarmuno(arreglo(:,rep,ges))
fourier = fft(graficar,fs)/(fs/2);
set(handles.mav, ’String’, strcat(’mav:’,num2str(mav(graficar))))
set(handles.mnf, ’String’, strcat(’mnf:’,num2str(mnf(graficar,fs))))
set(handles.mnp, ’String’, strcat(’mnp:’,num2str(mnp(graficar,fs))))
set(handles.rms, ’String’, strcat(’rms:’,num2str(rms(graficar))))
APÉNDICE A. ANEXOS 160
set(handles.std, ’String’, strcat(’std:’,num2str(std(graficar))))
set(handles.ttp, ’String’, strcat(’ttp:’,num2str(ttp(graficar,fs))))
set(handles.var, ’String’, strcat(’var:’,num2str(var(graficar))))
set(handles.wl, ’String’, strcat(’wl:’,num2str(wl(graficar))))
set(handles.kurtosis, ’String’, strcat(’kurtosis:’,num2str(kurtosis(graficar))))
set(handles.skewness, ’String’, strcat(’skewness’,num2str(skewness(graficar))))
axes(handles.graficaserial);
xlim([1 length(graficar)])
plot(1:length(graficar),graficar);
axes(handles.fourier);
plot(1:length(fourier),fourier);
set(handles.consola,’String’,strcat(’Vizualizando gesto’,num2str(ges),’
muestra’,num2str(rep)))
else
set(handles.consola,’String’,’datos no existentes’)
disp(’datos no existentes’)
end
function muestra_Callback(hObject, eventdata, handles)
autorizacion = str2num(get(handles.autorizacion,’String’))
global autoriza
global arreglo
global tamanos
global fs
global ventana
APÉNDICE A. ANEXOS 161
global mitad
global limsup
global liminf
ventana=10; mitad=125; limsup=5; liminf=5;
disp(’tomando muestras’)
muestras = str2num(get(handles.nummuestras,’String’))
muestras = muestras + 1;
gestos = str2num(get(handles.numgestos,’String’))
tamanos(gestos)=muestras;
set(handles.consola,’String’,strcat(’muestra numero’,num2str(muestras), ’ tomada’));
serialdata=tomarmuestra( ventana,mitad,limsup,liminf )’;
voltajes=reducir(serialdata,ventana,limsup, liminf, mitad);
fourier = fft(serialdata,fs);
fourierfft = fourier /(fs/2);
set(handles.mav, ’String’, strcat(’mav:’,num2str(mav(voltajes))))
set(handles.mnf, ’String’, strcat(’mnf:’,num2str(mnf(voltajes,fs))))
set(handles.mnp, ’String’, strcat(’mnp:’,num2str(mnp(voltajes,fs))))
set(handles.rms, ’String’, strcat(’rms:’,num2str(rms(voltajes))))
set(handles.std, ’String’, strcat(’std:’,num2str(std(voltajes))))
set(handles.ttp, ’String’, strcat(’ttp:’,num2str(ttp(voltajes,fs))))
set(handles.var, ’String’, strcat(’var:’,num2str(var(voltajes))))
set(handles.wl, ’String’, strcat(’wl:’,num2str(wl(voltajes))))
set(handles.kurtosis, ’String’, strcat(’kurtosis:’,num2str(kurtosis(voltajes))))
set(handles.skewness, ’String’, strcat(’skewness’,num2str(skewness(voltajes))))
APÉNDICE A. ANEXOS 162
axes(handles.graficaserial);
%title(’Señal en el tiempo’)
xlim([1 length(voltajes)])
plot(1:length(voltajes),voltajes);
axes(handles.fourier);
%title(’Fourier de la señal’)
plot(1:length(fourierfft),fourierfft);
set(handles.nummuestras,’String’,num2str(muestras))
arreglo = ordenarreglo( muestras,gestos,voltajes,arreglo,tamanos);
disp(strcat(’muestra numero’,num2str(muestras), ’ tomada’))
autorizacion = 1 set(handles.autorizacion,’String’, num2str(autorizacion))
function gesto_Callback(hObject, eventdata, handles)
function gesto_CreateFcn(hObject, eventdata, handles)
if ispc && isequal(get(hObject,’BackgroundColor’),
get(0,’defaultUicontrolBackgroundColor’))
set(hObject,’BackgroundColor’,’white’);
end
function repeticion_Callback(hObject, eventdata, handles)
function repeticion_CreateFcn(hObject, eventdata, handles)
if ispc && isequal(get(hObject,’BackgroundColor’),
get(0,’defaultUicontrolBackgroundColor’))
set(hObject,’BackgroundColor’,’white’);
end
function eliminar_Callback(hObject, eventdata, handles)
autorizacion = str2num(get(handles.autorizacion,’String’))
global arreglo
APÉNDICE A. ANEXOS 163
global tamanos
rep=str2num(get(handles.repeticion,’String’));
ges=str2num(get(handles.gesto,’String’));
muestras = tamanos(ges);
gestos = length(tamanos);
if ges<=gestos && rep<=muestras
j=1;
for i=1:muestras
if i~=rep
auxarreglo(:,j)=arreglo(:,i,ges);
j=j+1;
end
end
set(handles.nummuestras,’String’,num2str(muestras-1));
tamanos(ges) = tamanos(ges)-1;
arreglo(1:length(arreglo),1:muestras-1,ges) = auxarreglo;
arreglo(1:length(arreglo),muestras,ges) = -1*ones(length(arreglo),1,1);
clear auxarreglo
auxarreglo=borrarvacio(arreglo,tamanos);
clear arreglo
arreglo = auxarreglo;
clear auxarreglo
set(handles.consola,’String’,strcat(’dato del gesto’,num2str(ges),’ muestra
numero’,num2str(rep)));
APÉNDICE A. ANEXOS 164
disp(strcat(’dato del gesto’,num2str(ges),’ muestra numero’,num2str(rep)))
else
set(handles.consola,’String’,’Dato por eliminar no existe’);
display(’dato por eliminar no existe’)
end
function cambiargesto_Callback(hObject, eventdata, handles)
autorizacion = str2num(get(handles.autorizacion,’String’))
global tamanos
gestos = str2num(get(handles.numgestos,’String’));
muestras = str2num(get(handles.nummuestras,’String’));
if muestras>0
if gestos < 5
gestos = gestos + 1;
if length(tamanos)<gestos
tamanos(gestos)=0;
end
else
set(handles.consola,’String’,strcat(’se ha llegado a todos los ’,num2str(gestos), ’ gestos’))
end
else
set(handles.consola,’String’,’antes de cambiar gesto primero tome la primera muestra para
este gesto’)
disp(’antes de cambiar gesto primero tome la primera muestra para este gesto’)
end
APÉNDICE A. ANEXOS 165
set(handles.numgestos,’String’,num2str(gestos));
set(handles.nummuestras,’String’,num2str(tamanos(gestos)));
function pushbutton6_Callback(hObject, eventdata, handles)
global arreglo
global tamanos
global entrada
global salida
global resultado
assignin(’base’,’resultado’,resultado)
assignin(’base’,’salida’,salida)
assignin(’base’,’arreglo’,arreglo)
tamanos
function procesardatos_Callback(hObject, eventdata, handles)
autorizacion = str2num(get(handles.autorizacion,’String’))
if autorizacion > 0
global tamanos
global arreglo
global fs
global entrada
global salida
global autoriza
gestos= str2num(get(handles.numgestos,’String’))
i=1;
desde=1;
APÉNDICE A. ANEXOS 166
for x=1:gestos
for y=1:tamanos(x)
entrada(1:10,i)=evaluar(arreglo(:,y,x),fs);
i = i+1
end
entrada(:,:)=real(entrada(:,:));
salida(1:gestos,desde:desde+tamanos(x)-1) = zeros(gestos,tamanos(x));
salida(x,desde:desde+tamanos(x)-1) = ones(1,tamanos(x));
desde=desde+tamanos(x);
end
entrada =real(entrada)
autoriza = 1;
autorizacion = 2
set(handles.autorizacion,’String’,num2str(autorizacion))
set(handles.consola,’String’,’Datos procesados’)
else
set(handles.consola,’String’,’Tome muestras primero’)
end
function entrenamiento_Callback(hObject, eventdata, handles)
autorizacion = str2num(get(handles.autorizacion,’String’))
if autorizacion >1
global autoriza
global entrada
global salida
APÉNDICE A. ANEXOS 167
global red
noculta = str2num(get(handles.noculta,’String’))
if autoriza == 1
% [w1,w2]=redneuronal(entrada,salida, noculta)
red = feedforwardnet(noculta,’trainscg’)
red = train(red,entrada,salida)
view(red)
else
set(handles.consolann,’Primero procesar los datos’)
disp(’Primero procesar datos’)
end
autorizacion = 3
set(handles.autorizacion,’String’,num2str(autorizacion))
set(handles.consola, ’String’, ’Red neuronal artifical entrenada’)
else
set(handles.consola,’String’,’Procese datos primero’)
end
function noculta_Callback(hObject, eventdata, handles)
function noculta_CreateFcn(hObject, eventdata, handles)
if ispc && isequal(get(hObject,’BackgroundColor’),
get(0,’defaultUicontrolBackgroundColor’))
set(hObject,’BackgroundColor’,’white’);
end
function Comparar_Callback(hObject, eventdata, handles)
autorizacion = str2num(get(handles.autorizacion,’String’))
APÉNDICE A. ANEXOS 168
if autorizacion > 2
global red
global entrada
global salida
global resultado
resultado = red(entrada)
% axes(handles.nncomparacion)
figure(1)
[x,y]=size(salida)
for i=1:x plot(1:y,salida(i,:),’ro’)
hold on
end
for i=1:x
plot(1:y,resultado(i,:),’gx’)
hold on
end
xlim([0 y+1])
else
set(handles.consola, ’String’, ’Primero entrene red neuronal’)
end
function detectar_Callback(hObject, eventdata, handles)
autorizacion = str2num(get(handles.autorizacion,’String’))
if autorizacion > 2
global ventana
APÉNDICE A. ANEXOS 169
global mitad
global limsup
global liminf
global red
global fs
serialdata=tomarmuestra( ventana,mitad,limsup,liminf )’;
voltajes=reducir(serialdata,ventana,limsup, liminf, mitad);
entrada = real(evaluar(voltajes,fs))
detectado = red(entrada’)
gestosnum = str2num(get(handles.numgestos,’String’))
max=[0;0]
if gestosnum+1>1
set(handles.p1,’String’,strcat(’Gesto 1: ’,num2str(detectado(1)*100),’%’))
if max(1,1)<detectado(1)
max(:,1)=[detectado(1);1]
end
end
if gestosnum+1>2
set(handles.p2,’String’,strcat(’Gesto 2: ’,num2str(detectado(2)*100),’%’))
if max(1,1)<detectado(2)
max(:,1)=[detectado(2);2]
end
end
if gestosnum+1>3
APÉNDICE A. ANEXOS 170
set(handles.p3,’String’,strcat(’Gesto 3: ’,num2str(detectado(3)*100),’%’))
if max(1,1)<detectado(3)
max(:,1)=[detectado(3);3]
end
end
if gestosnum+1>4
set(handles.p4,’String’,strcat(’Gesto 4: ’,num2str(detectado(4)*100),’%’))
if max(1,1)<detectado(4)
max(:,1)=[detectado(4);4]
end
end
if gestosnum+1>5
set(handles.p5,’String’,strcat(’Gesto 5: ’,num2str(detectado(5)*100),’%’))
if max(1,1)<detectado(5)
max(:,1)=[detectado(5);5]
end
end
num = str2num(get(handles.num,’String’))
animacion(5,max(2,1),num)
set(handles.num,’String’, num2str(num+1))
else
set(handles.consola, ’String’, ’Primero entrene red neuronal’)
end
set(handles.consola, ’String’, ’Gesto identificado’)
A.3. Planos de la base
 5
0 
 2
0 
 2
0  5
 
 R4,60 
 5 
 400 
 10 
 5 
 40 
 5 
 1
50
 
A A
B B
C C
D D
E E
F F
4
4
3
3
2
2
1
1
UNIVERSIDAD MILITAR NUEVA GRANADA - INGENIERÍA MECATRÓNICA
PROYECTO DE GRADO - CONTROL MIOGRÁFICO DE PRÓTESIS DE MANO
REVISOR
DIBUJANTE
PhD. Oscar Fernando Avilés Sánchez
Nicolas Alzate Arias
MATERIAL: MDF 5mmVERSIÓN 1:1
ESCALA 1:5 UNIDADES: mm
BASE ESTRUCTURA
 
6 
 
6 
 
6 
 
6 
 
6 
 
6 
 40 
 
14,70 
 30 
 30 
 40 
 R10 
 5
 
 5
  5
 
 2
05
 
 1
0 
 5
0 
 150 
 30  30 
A A
B B
C C
D D
E E
F F
4
4
3
3
2
2
1
1
UNIVERSIDAD MILITAR NUEVA GRANADA - INGENIERÍA MECATRÓNICA
PROYECTO DE GRADO - CONTROL MIOGRÁFICO DE PRÓTESIS DE MANO
REVISOR
DIBUJANTE
PhD. Oscar Fernando Avilés Sánchez
Nicolas Alzate Arias
MATERIAL: MDF 5mmVERSIÓN 1:1
ESCALA 1:5 UNIDADES: mm
COLUMNA DE LA ESTRUCTURA
 
2 
 
3 
 
30
 
 
45
 
 
50
 
 5 
A A
B B
C C
D D
E E
F F
4
4
3
3
2
2
1
1
UNIVERSIDAD MILITAR NUEVA GRANADA - INGENIERÍA MECATRÓNICA
PROYECTO DE GRADO - CONTROL MIOGRÁFICO DE PRÓTESIS DE MANO
REVISOR
DIBUJANTE
PhD. Oscar Fernando Avilés Sánchez
Nicolas Alzate Arias
MATERIAL: MDF 5mmVERSIÓN 1:1
ESCALA 1:1 UNIDADES: mm
EJE EXTERIOR DE ACOPLE PARA SERVOS
 
3 
 R15 
 5 
A A
B B
C C
D D
E E
F F
4
4
3
3
2
2
1
1
UNIVERSIDAD MILITAR NUEVA GRANADA - INGENIERÍA MECATRÓNICA
PROYECTO DE GRADO - CONTROL MIOGRÁFICO DE PRÓTESIS DE MANO
REVISOR
DIBUJANTE
PhD. Oscar Fernando Avilés Sánchez
Nicolas Alzate Arias
MATERIAL: MDF 5mmVERSIÓN 1:1
ESCALA 1:1 UNIDADES: mm
EJE INTERNO DE ACOPLE PARA SERVOMOTOR
 5 
 5 
 5 
 40,40 
 2
0,
20
 
 1
5 
 5
 
 35 
 40 
 R10 
 2
05
 
 5
0 
 40 
 125 
A A
B B
C C
D D
E E
F F
4
4
3
3
2
2
1
1
UNIVERSIDAD MILITAR NUEVA GRANADA - INGENIERÍA MECATRÓNICA
PROYECTO DE GRADO - CONTROL MIOGRÁFICO DE PRÓTESIS DE MANO
REVISOR
DIBUJANTE
PhD. Oscar Fernando Avilés Sánchez
Nicolas Alzate Arias
MATERIAL: MDF 5mmVERSIÓN 1:1
ESCALA 1:1 UNIDADES: mm
LATERAL DE ESTRUCTURA Y SOPORTE DE MOTORES
 10 
 1
0 
 5
 
 5 
 5
5 
 5 
 55 
A A
B B
C C
D D
E E
F F
4
4
3
3
2
2
1
1
UNIVERSIDAD MILITAR NUEVA GRANADA - INGENIERÍA MECATRÓNICA
PROYECTO DE GRADO - CONTROL MIOGRÁFICO DE PRÓTESIS DE MANO
REVISOR
DIBUJANTE
PhD. Oscar Fernando Avilés Sánchez
Nicolas Alzate Arias
MATERIAL: MDF 5mmVERSIÓN 1:1
ESCALA 1:1 UNIDADES: mm
SOPORTE LATERAL DE ESTRUSTURA
 30  30  1
0  50 
 2
0 
 140 
A A
B B
C C
D D
E E
F F
4
4
3
3
2
2
1
1
UNIVERSIDAD MILITAR NUEVA GRANADA - INGENIERÍA MECATRÓNICA
PROYECTO DE GRADO - CONTROL MIOGRÁFICO DE PRÓTESIS DE MANO
REVISOR
DIBUJANTE
PhD. Oscar Fernando Avilés Sánchez
Nicolas Alzate Arias
MATERIAL: MDF 5mmVERSIÓN 1:1
ESCALA 1:2 UNIDADES: mm
TAPA TRASERA DE PROTESIS
 
14
,70
 
 2
0 
 15  15  50 
 4
0 
 150 
 30  30 
A A
B B
C C
D D
E E
F F
4
4
3
3
2
2
1
1
UNIVERSIDAD MILITAR NUEVA GRANADA - INGENIERÍA MECATRÓNICA
PROYECTO DE GRADO - CONTROL MIOGRÁFICO DE PRÓTESIS DE MANO
REVISOR
DIBUJANTE
PhD. Oscar Fernando Avilés Sánchez
Nicolas Alzate Arias
MATERIAL: MDF 5mmVERSIÓN 1:1
ESCALA 1:2 UNIDADES: mm
SOPORTE DE PROTESIS SUPERIOR E INFERIOR
 R
10
  40 
 4
0 
 40,40 
 2
0,
20
 
 15 
 15 
 15 
 5
 
 44,60 
 5
2,
40
 
 1
20
 
 5
 
 150 
 5  5 
A A
B B
C C
D D
E E
F F
4
4
3
3
2
2
1
1
UNIVERSIDAD MILITAR NUEVA GRANADA - INGENIERÍA MECATRÓNICA
PROYECTO DE GRADO - CONTROL MIOGRÁFICO DE PRÓTESIS DE MANO
REVISOR
DIBUJANTE
PhD. Oscar Fernando Avilés Sánchez
Nicolas Alzate Arias
MATERIAL: MDF 5mmVERSIÓN 1:1
ESCALA 1:2 UNIDADES: mm
SOPORTE MEDIO DE MOTORES
 40,40 
 2
0,
20
 
 5
2,
40
 
 44,60  15 
 5
 
 R
10
 
 40 
 4
0 
 1
20
 
 5
 
 1
0 
 150 
 5  5 
A A
B B
C C
D D
E E
F F
4
4
3
3
2
2
1
1
UNIVERSIDAD MILITAR NUEVA GRANADA - INGENIERÍA MECATRÓNICA
PROYECTO DE GRADO - CONTROL MIOGRÁFICO DE PRÓTESIS DE MANO
REVISOR
DIBUJANTE
PhD. Oscar Fernando Avilés Sánchez
Nicolas Alzate Arias
MATERIAL: MDF 5mmVERSIÓN 1:1
ESCALA 1:2 UNIDADES: mm
TAPA SUPERIOR DE ESTRUCTURA