IMPLEMENTACIÓN EN FPGA DE UN CLASIFICADOR DE MOVIMIENTOS DE LA MANO USANDO SEÑALES EMG

  • David Alexander Reyes Lopez Universidad del Valle
  • Mauricio Arias López Universidad del Valle
  • Jorge Enrique Duarte Sánchez Universidad del Valle
  • Humberto Loaiza Correa Universidad del Valle
Palabras clave: clasificador de movimientos, FPGA, señales EMG, tiempo real (es_ES)

Resumen (es_ES)

Este trabajo presenta el diseño e implementación de un clasificador de señales electromiográficas (EMG) para tres movimientos de la mano: flexión, extensión y cierre, usando dos músculos del antebrazo, palmar largo y extensor común de los dedos. El desarrollo comprende dos bloques principales, el hardware para la adquisición y adecuación de la señales EMG analógicas y el sistema de procesamiento para la identificación y clasificación del movimiento realizado; el sistema completo fue implementado en hardware usando un kit de desarrollo DE2-70 que cuenta con un FPGA Cyclone II de Altera. Para la extracción de características se implementó la Transformada Rápida de Fourier (FFT), para cada canal, a la cual se le calcularon  técnicas de procesamiento  como la varianza y el promedio.. Finalmente, se establece un umbral de decisión para identificar el movimiento realizado. El tiempo de respuesta del sistema total fue de 17,7 us, obteniendo una tasa de identificación mayor al 87%.

FPGA implementation of a hand motions classifier using EMG signals

Abstract

This paper presents the design and implementation of a hand motions classifier using electromyographic (EMG) signals. The classified motions are: wrist flexion, wrist extension and hand closure. The motions are classified using two forearm muscles: longus palmar and extensor digitorum. This work was implemented in two principal blocks: the acquisition and adequacy of the EMG signal, and the processing system for the identification and classification of the motion made. The processing system was implemented on hardware using a development kit with a Cyclone II FPGA from Altera. For the feature extraction the Fast Fourier Transform (FFT) is performed at each channel and some features like variance and mean are calculated. Finally, a threshold decision block is used to identify the motion. The system have a time response of 17,7 us, obtaining an identification rate higher than 87%.

Keywords: EMG signals, FPGA, motion classifier, real time.

Descargas

La descarga de datos todavía no está disponible.

Biografía del autor/a

David Alexander Reyes Lopez, Universidad del Valle
Estudiante Maestría en Ingeniería énfasis en Electrónica, Universidad del Valle. Cali, Colombia.
Mauricio Arias López, Universidad del Valle

Ingeniero electrónico, Universidad del Valle, actualmente realiza estudios de maestría con énfasis en electrónica en la Universidad del Valle.
El campo de investigación que trabaja es el procesamiento e implementación en sistemas embebidos como FPGA.

Jorge Enrique Duarte Sánchez, Universidad del Valle

Ingeniero electrónico, Universidad del Valle, actualmente realiza estudios de maestría con énfasis en electrónica en la Universidad del Valle.
El campo de investigación que trabaja es la implementación de algoritmos cuánticos en sistemas embebidos como FPGA.

Humberto Loaiza Correa, Universidad del Valle

Ingeniero electricista, Universidad del Valle, magíster en Automática de la Universidad del Valle y Doctor en Robótica de la Université Evry
Val d'Essonne. Profesor titular de la Escuela de Ingeniería Eléctrica y Electrónica de la Universidad del Valle.

Referencias

D. Farina, N. Jiang and H. Rehbaum A. Holobar, B. Graimann, H. Dietl, and O. C. Aszmann “The extraction of neural information from the surface EMG for the control of upper-limb prostheses: Emerging avenues and challenges”. IEEE Transactions on Neural Systems and Rehabilitation Engineering, vol. 22, issue 4, pp. 797-809, 2014.

G. Betancourt, E. Giraldo y J. Franco, “Reconocimiento de patrones de movimiento a partir de señales electromiográficas”. Sciencia et Technica, año 10, no. 26, pp. 53-58, diciembre, 2004.

L. Banguero, SEMG para control de prótesis mioeléctricas. Escuela de Ingeniería de Antioquia e Instituto de Ciencias de la Salud, 2006.

J. Villarejo,Detección de la intención de movimiento durante la marcha a partir de señales electromiográficas. Cali, Universidad del Valle, 2007.

D. Reyes y C. Cifuentes, Diseño de un mouse electromiográfico. Cali, Escuela de Ingeniería Eléctrica y Electrónica, Universidad del Valle, 2011.

R. Morales, D. Morales y V. Grisales, “Caracterización de señales electromiográficas para la discriminación de seis movimientos de la mano”. Scientia et Technica, año 15, no. 42, pp. 278-283, agosto, 2009.

K. Anam, R. Khushaba and A. Al-Jumaily, “Two-channel surface electromyography for individual and combined finger movements”. Proceedings of the Annual International Conference of the IEEE Engineering in Medicine and Biology Society, EMBS. pp 4961-4964, 2013.

A. Al-Timemy, G. Bugmann, J. Escudero and N. Outram, “Classification of finger movements for the dexterous hand prosthesis control with surface electromyography”. IEEE Journal of Biomedical and Health Informatics, vol. 17, issue 3, pp. 608-618, 2013.

F. Rodríguez y M. Chávez, Instrumentación electrónica de un exoesqueleto para rehabilitación asistida de rodilla. Cali, Escuela de Ingeniería Eléctrica y Electrónica, Universidad del Valle, 2010.

S. Day, M. Djupsjöbacka, B. Gerdle and S. Karlsson, “Acquisition, Processing and Analysis of the Surface Electromyogram”. Modern Techniques in Neuroscience Research. Chapter 26, pp. 705-755, Berlin, Ed. Windhorst U. & Johanson H. Springer Verlag 1999.

H. A. Romo, J. Realpe y P. Jojoa, “Análisis de señales EMG superficiales y su aplicación en control de prótesis de mano”. Revista Avances en Sistemas e Informática, vol. 4, no. 1, junio, 2007.

K. Özgünen, U. Çelik and S. Kurdak, “Determination of an optimal threshold value for muscle activity detection in EMG analysis”. Journal of Sports Science and Medicine, vol. 9, pp. 620-628, 2010.

L. Hargrove, K. Englehart and B. Hudgins, “A Comparison of Surface and Intramuscular Myoelectric Signal Classification”, IEEE Transactions on Biomedical Engineering, vol. 54, no. 5, pp. 847-853, 2007.

K. Englehart, B. Hudgins, P. Parker and M. Stevenson, ”Classification of the Myoelectric Signal using Time-Frecuency Based Representation”. Medical Engineering & Physics, 21, pp. 431-438, 1999.

K. Caballero, L. Duque M., S. Ceballos., J. Ramírez C. y A. Peláez, “Conceptos básicos para el análisis electromiográfico”. Revista CES Odontología, vol. 15, no. 1, pp. 41-50, 2002.

A. Orjuela y L. Calôba, Clasificación de movimientos en extremidades usando redes neuronales: I. Proceso supervisado. Brasil, Universidade Federal do Rio de Janeiro, 2008.

A. Orjuela, L. Calôba, Clasificación de movimientos en extremidades usando redes neuronales: II. Proceso semi-supervisado. Brasil, Universidade Federal do Rio de Janeiro, 2008.

Opencores, comunidad de libre acceso en desarrollos de hardware, Pipelined Transformada Rápida de Fourier de 256 puntos, Creado: Feb 1, 2010, Actualizado: Jul 30, 2014 [en línea]. Consultado el actualmente se encuentra vigente, fecha: 01/07/2015, disponible en: http://opencores.org/project,pipelined_fft_256

Cómo citar
Reyes Lopez, D. A., López, M. A., Duarte Sánchez, J. E., & Loaiza Correa, H. (2015). IMPLEMENTACIÓN EN FPGA DE UN CLASIFICADOR DE MOVIMIENTOS DE LA MANO USANDO SEÑALES EMG. Redes De Ingeniería, 6(1), 85-94. https://doi.org/10.14483/udistrital.jour.redes.2015.1.a06
Publicado: 2015-09-05
Sección
Investigación