Adquisición y procesamiento de señales electromiográficas para el control de un vehículo virtual en tiempo real

Palabras clave: Blender, Motor de juegos, Electromiografía, Transformada rápida de Fourier, Transformada Wavelet

Resumen

Este trabajo, se presenta el registro y clasificación de las señales electromiográficas (EMG) de las extremidades inferiores, específicamente del musculo basto, con el fin de controlar un vehículo virtual diseñado en Blender. El sistema tiene de 4 canales, con una interfaz gráfica, que permite el control de un vehículo virtual. Para el procesamiento de las señales, se utilizaron diferentes herramientas matemáticas tales como: análisis de Fourier y análisis wavelet. Estas técnicas se usaron con el objetivo de comprimir datos, obtener patrones característicos en cada conjunto de señales y realizar un filtrado digital. El control del automóvil consta de 4 comandos como: acelerar, detenerse, giro derecha y giro izquierda, las cuales son las instrucciones básicas para el manejo real de un automóvil. Los resultados mostraron que es posible usar señales biológicas para realizar controles virtuales (video juego). Así mismo, se verificó que la parametrizar encontrada de cada grupo de señales EMG, fue satisfactoria, ya que el porcentaje de errores de las 4 variables estudiadas fue del 0.04% para un total de 400 ejecuciones. Este porcentaje de error corrobora que el sistema tiene gran potencialidad para posibles aplicaciones futuras.

Citas

Murray Speigel. “Teoría y Problemas de Análisis de Fourier”. McGraw-Hill serie de compendios Schaum, 1981.

Zhang, D. (2019). Wavelet transform. In Fundamentals of Image Data Mining (pp. 35-44). Springer, Cham.

Bhattacharyya, A., Sharma, M., Pachori, R. B., Sircar, P., & Acharya, U. R. (2018). A novel approach for automated detection of focal EEG signals using empirical wavelet transform. Neural Computing and Applications, 29(8), 47-57.

Deng, W., Zhang, S., Zhao, H., & Yang, X. (2018). A novel fault diagnosis method based on integrating empirical wavelet transform and fuzzy entropy for motor bearing. IEEE Access, 6, 35042-35056

Bhattacharyya, A., Singh, L., & Pachori, R. B. (2018). Fourier–Bessel series expansion based empirical wavelet transform for analysis of non-stationary signals. Digital Signal Processing, 78, 185-196.

Popov, A., Olesh, E. V., Yakovenko, S., & Gritsenko, V. (2018, March). A novel method of identifying motor primitives using wavelet decomposition. In 2018 IEEE 15th International Conference on Wearable and Implantable Body Sensor Networks (BSN) (pp. 122-125). IEEE

Jang, J. (2019). Wavelet-based EMG Sensing Interface for Pattern Recognition.

Sawires, Y., Huang, E., Gomes, A., Fernandes, K., & Wang, D. (2018, July). Development of Concussion Evaluation Tools Using Life-Like Virtual Reality Environments. In International Conference on Human-Computer Interaction (pp. 326-333). Springer, Cham.

Bernabé, G., Hernández, R., & Acacio, M. E. (2018). Parallel implementations of the 3D fast wavelet transform on a Raspberry Pi 2 cluster. The Journal of Supercomputing, 74(4), 1765-1778.

López, D. A. R., Correa, H. L., López, M. A., & Sánchez, J. E. D. (2018). Expert committee classifier for hand motions recognition from EMG signals. Ingeniare: Revista Chilena de Ingenieria, 26(1), 62-71.

Subasi, A., Yaman, E., Somaily, Y., Alynabawi, H. A., Alobaidi, F., & Altheibani, S. (2018). Automated EMG Signal Classification for Diagnosis of Neuromuscular Disorders Using DWT and Bagging. Procedia Computer Science, 140, 230-237.

JAHROMI, Mohsen Ghofrani, et al. Cross Comparison of Motor Unit Potential Features Used in EMG Signal Decomposition. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2018, vol. 26, no 5, p. 1017-1025.

López, D. A. R., Correa, H. L., López, M. A., & Sánchez, J. E. D. (2018). Expert committee classifier for hand motions recognition from EMG signals. Ingeniare: Revista Chilena de Ingenieria, 26(1), 62-71.

Wang, N., Wan, J., & Strumolo, G. S. (2019). U.S. Patent Application No. 16/087,121.

Binion, T., Harr, J., Fields, B., Cielocha, S., & Balbach, S. J. (2018). U.S. Patent Application No. 10/140,417.

Bullinger, S., Bodensteiner, C., Arens, M., & Stiefelhagen, R. (2018). 3d vehicle trajectory reconstruction in monocular video data using environment structure constraints. In Proceedings of the European Conference on Computer Vision (ECCV) (pp. 35-50).

García, M., Vargas, J., & Isaza, L. Virtual Object of Learning for Driving Through Virtual Reality with Development of Peripherals and Glasses for Virtual Reality. International Journal of Applied Engineering Research, 13(11), 9382-9386. (2018).

STEFAN, Frederic, et al. Method for modeling a motor vehicle sensor in a virtual test environment. U.S. Patent Application No 16/050,567, 2019.

S.G. Mallat. "Multifrequency Channal Decompositions of Images and Wavelet Models" IEEE Transactions on Acoustics, Speech, and Signal Processing, vol. 37, no 12, pp. 2091-2110, 1989
Cómo citar
Carrero-Carrero, J. L., Mendoza, L. E., & Nieto-Sánchez, Z. (2020). Adquisición y procesamiento de señales electromiográficas para el control de un vehículo virtual en tiempo real. Respuestas, 25(1). https://doi.org/10.22463/0122820X.2402

Descargas

La descarga de datos todavía no está disponible.
Publicado
2020-01-01
Sección
Artículos de Investigación