Ingeniería Biomédica
Primeros pasos en el manejo de dispositivos electrónicos a partir de señales musculares

Prototipo conformado por un sensor, microprocesador para conversión de señal y conexión a un computador

Una tesis final de graduación demostró resultados promisorios en poder alcanzar el manejo de aplicaciones tecnológicas de la vida cotidiana con activación eléctrica muscular. El desarrollo de este control, podrá aplicarse también en exoesqueletos, sillas de ruedas tecnológicas, pulseras mioeléctricas, entre otros aparatos.

La interacción y control por parte del ser humano de cualquier dispositivo electrónico utilizando reconocimiento de voz, sensores biométricos y reconocimiento facial, es una realidad que el desarrollo tecnológico nos ofrece en la actualidad. En ese camino que no tiene fin, el desafío ahora está planteado en poder alcanzar el manejo de aplicaciones tecnológicas de la vida cotidiana a partir de señales musculares.

Además, el desarrollo de técnicas de control para lograr funciones antropomórficas (similares a las realizadas por las personas) con alta precisión y fiabilidad para aplicaciones robóticas es más relevante que nunca. El insumo principal para el control de los dispositivos de interacción hombre-máquina son señales eléctricas de origen fisiológico. Las más conocidas son la Electromiografía (EMG); la Electroencefalografía (EEG) y la Electrooculografía (EOG).

El insumo principal para el control de los dispositivos de interacción hombre-máquina son señales eléctricas de origen fisiológico

En un trabajo final presentado recientemente en la Facultad de Ciencias Exactas y Naturales y Agrimensura (FaCENA) de la UNNE -con el cual obtuvo el título de Ingeniero en Electrónica- Sebastián Suaid, demostró “que es posible lograr aplicaciones de interacción ser humano-máquina a partir de la clasificación de ciertos patrones de activación eléctrica muscular para el manejo de señales de control”. El trabajo fue realizado con el apoyo del Grupo de Ingeniería Biomédica de la FaCENA.

De esta manera llega Suaid a la conclusión de que se puede construir un mecanismo que permita interactuar con distintos dispositivos tecnológicos.

¿Por qué de las tres señales fisiológicas más conocidas Suaid opta por la EMG?. El origen neurológico de la señal de Electromiografía la hace apropiada para aplicaciones tecnológicas en la vida cotidiana, debido a que la actividad eléctrica medida de forma superficial está relacionada con los movimientos realizados por la persona.

La electromiografía (EMG) y los estudios de conducción nerviosa son pruebas que miden la actividad eléctrica de los músculos y nervios. Los nervios envían señales eléctricas para que los músculos reaccionen de cierta manera. Cuando el músculo realiza una contracción, genera una señal eléctrica que puede medirse.

En la tesis de título “Procesamiento en tiempo real de señales de electromiografía mediante redes neuronales artificiales”, el profesional acota su desarrollo mediante el uso de una herramienta de procesamiento digital denominada red neuronal artificial (que emula el funcionamiento de un cerebro humano) que está entrenada a partir de registros de EMG de tres tipos de movimientos: torsión de la muñeca, extensión de los dedos de la mano y contracción del brazo.

Señal Muscular obtenida por un sensor

Importancia del trabajo. El uso de una red neuronal artificial es un método viable para incorporar habilidades de ingeniería a los efectos de mejorar los sistemas y dispositivos ya existentes.

La importancia del trabajo presentado radica en dar un punto de partida desde el procesamiento de señales de EMG para ser combinado con sistemas y dispositivos ya existentes, dándoles mayores posibilidades a personas con movilidad reducida.

Algunas de las posibles aplicaciones del procesamiento de las señales musculares incluirían: la monitorización de activación muscular para rehabilitación, identificación de posibles patologías, exoesqueletos, sillas de ruedas tecnológicas, control de prótesis, pulseras mioeléctricas, reconocimiento de escritura y reconocimiento de habla silenciosa.

El desarrollo de este tipo de dispositivos va en aumento, y su uso no se centra únicamente en aplicaciones terapéuticas y de rehabilitación, sino también en las aplicaciones cotidianas y domésticas para cualquier persona. Por lo tanto, estas nuevas tendencias apuntan hacia el uso de las interfaces mioeléctricas en el uso diario.

El desarrollo de este tipo de dispositivos va en aumento, y su uso no se centra únicamente en aplicaciones terapéuticas y de rehabilitación

El control mioeléctrico es probablemente el esquema de control más sencillo para el usuario. Se basa en el concepto de que siempre que un músculo en el cuerpo se contrae o se flexiona, se produce una pequeña señal eléctrica (EMG) que es creada por la interacción química en las fibras musculares.

La ventaja de los sistemas de control mioeléctrico se basa en el control con manos libres de forma no invasiva, lo que permite mejorar tecnologías ya existentes como prótesis multifuncionales, control de agarre, sillas de ruedas, etc.

Patrones de Registro. Una parte medular del trabajo de investigación del ingeniero Suaid es clasificar las señales de los eventos de activación muscular basado en EMG. El procesamiento de las señales de electromiografía (EMG) resulta complejo debido a su naturaleza azarosa.

Las redes neuronales artificiales (RNA) implementan en forma computacional un tipo de procesamiento similar al del cerebro humano, dando lugar al concepto de aprendizaje automático (machine learning).

Para ese procesamiento se utilizan algoritmos de aprendizaje supervisado con los cuales es posible la identificación de registros de señales de EMG. Para su caracterización se utiliza una herramienta matemática, la Transformada Rápida de Fourier (FFT).

Los resultados obtenidos con la investigación son más que promisorios. A partir de órdenes impartidas por la red neuronal artificial, se alcanzó un nivel de precisión en los movimientos del 92 por ciento en el set de entrenamiento y del 76 por ciento en el set de validación. “Esto muestra la viabilidad de este tipo de procesamiento para la clasificación de patrones y da lugar a la búsqueda de nuevas formas de ajustar los parámetros de la red para mejorar su rendimiento”.