ALGORITMO PREDICTIVO DE LA INTENCIÓN DE AGARRES EN UNA PRÓTESIS ROBÓTICA DE MANO IMPRESA EN 3D (PREDICTIVE ALGORITHM OF GRIP INTENTION ON A 3D PRINTED ROBOTIC HAND PROSTHESIS)

Resumen

Resumen
Las prótesis mioeléctricas son prótesis eléctricas controladas por señales mioeléctricas, poseen un alto grado de rehabilitación a un mayor costo que las prótesis funcionales. La investigación se enfoca en comparar dos algoritmos red neuronal artificial para estimar la intención de movimiento de agarre cilíndrico, esférico y mano en reposo a partir de una señal de electromiografía y realizar el movimiento estimado en una prótesis robótica de mano impresa en 3D. Se utilizó el modelo de mano robótica de inmoov, señales de electromiografía registradas mediante dos sensores Myoware®, se extrajeron cuatro características de la señal de electromiografía para evaluadas en una red neuronal artificial, los resultados de las tres neuronas de salida se analizaron mediante un árbol de decisión, se realizó un algoritmo para accionar los servomotores mano robótica impresa en 3D. Ésta realizó los agarres de manzanas, pelotas, desarmadores y botellas de agua. Los resultados muestran una especificidad del 95% y sensibilidad del 90% en la arquitectura de red neuronal seleccionada. Las pruebas se realizaron en sujetos sin amputación, los resultados marcan la pauta para integrar más movimientos que pueda realizar la prótesis robótica de mano.
Palabras Clave: Agarre cilíndrico, agarre esférico, intención de movimiento, prótesis mioeléctrica de mano, red neuronal artificial.

Abstract
Myoelectric prostheses are electrical prostheses controlled by myoelectric signals; they have a high degree of rehabilitation at a higher cost than functional prostheses. The research focuses on comparing two artificial neural network algorithms to estimate the intention of cylindrical, spherical hand grip movement and rest hand from an electromyography signal and perform the estimated movement in a 3D printed robotic hand prosthesis. The inmoov robotic hand model was used, electromyography signals were recorded by two Myoware® sensors, four characteristics of the electromyography signal were extracted to be evaluated in an artificial neural network, the results of the three output neurons were analyzed using a tree decision structure, an algorithm was carried out to activate the 3D printed robotic hand servomotors to make the grips of apples, balls, screwdrivers, and water bottles. The results show a specificity of 95% and sensitivity of 90% in the selected neural network architecture. The tests were carried out in subjects without amputation, the results set the tone for integrating more movements that the robotic hand prosthesis can perform.
Keywords: Artificial neural network, cylindrical grip, hand prosthesis, movement intention, spherical grip.