SISTEMA DE CONTROL DE MANO ROBÓTICA POR MEDIO DE UNA RASPBERRY PI Y UNA INTERFAZ EN PYTHON (ROBOTIC HAND CONTROL SYSTEM BY MEANS OF A RASPBERRY PI AND A PYTHON INTERFACE)

Resumen

Resumen
El cuerpo humano produce señales eléctricas que conducen a redes de comunicación con los diferentes sistemas que lo conforman. A su vez, posee una conexión eléctrica entre las células a través de la transmisión de impulsos nerviosos, que por medio de los músculos se establece un proceso de recepción para la emisión de estímulos motores. En el presente trabajo se plantea la creación de un prototipo no invasivo de prótesis de mano basado en la programación de una Raspberry Pi con una interfaz en Python, asociando un sistema de control para detectar impulsos eléctricos provenientes del brazo humano, capturando las señales de voltaje por medio de sensores mioeléctricos y la aplicación de servomotores para la reproducción de seis movimientos diferentes. Las señales obtenidas son procesadas para la generación de espectrogramas que actúan como entradas para el entrenamiento de una red neuronal, la cual da un resultado de precisión del 99.7%.
Palabras clave: Espectrogramas, Impulsos eléctricos, Prototipo no invasivo, Python, Señales EMG.

Abstract
The human body produces electrical signals that lead to networks of
communication with the different systems that make it up. At the same time, it has an electrical connection between the cells through the transmission of nervous impulses, which through the m
muscles a reception process is established for the emission of motor stimuli. In the present work, the creation of a non-invasive prototype of a hand prosthesis is proposed based on the programming of a Raspberry Pi with an interface in Python, associating a control system to detect electrical impulses coming from the human arm, capturing the voltage signals. through myoelectric sensors and the application of servomotors for the reproduction of six different movements. The signals obtained are processed to generate spectrograms that act as inputs for the training of a neural network, which gives an accuracy result of 99.7%.
Keywords: Electrical impulses, EMG signals, Non-invasive prototype, Python, Spectrograms.