Reconocimiento de nuevos gestos usando myo brazalete... https://translate.googleusercontent.

com/translate_f

Página 1

Revista Internacional de Ingeniería Eléctrica e Informática (IJECE)

Vol. 10, núm. 6, diciembre de 2020, págs. 5694∼5702
ISSN: 2088-8708, DOI: 10.11591 / ijece.v10i6.pp5694-5702 □ 5694

Reconocimiento de nuevos gestos usando myo brazalete para

aplicaciones protésicas mioeléctricas
Jabbar Salman Hussain, Ahmed Al-Khazzar, Mithaq Nama Raheema
Facultad de Ingeniería, Universidad de Kerbala, Irak

Información del artículo RESUMEN

Historia del artículo: Las prótesis mioeléctricas son una solución viable para las personas con amputaciones. El desafío
La diferencia en la implementación de una prótesis mioeléctrica utilizable radica en reconocer con precisión
Recibido el 18 de febrero de 2020
diferentes gestos con las manos. Los dispositivos mioeléctricos actuales suelen implementar muy pocos
Revisado el 5 de mayo de 2020
gestos con las manos. Para aproximar la funcionalidad de una mano real, una prótesis mioeléctrica
Aceptado el 19 de mayo de 2020
sis debe implementar una gran cantidad de gestos con las manos y los dedos. Sin embargo, aumentando
El número de gestos puede provocar una disminución en la precisión del reconocimiento. En este trabajo un
Palabras clave:
El dispositivo de brazalete Myo se utiliza para reconocer catorce gestos (cinco gestos incorporados de
Electromiografia Brazalete Myo además de nueve nuevos gestos). Los datos de esta investigación se recopilan
Gestos de tres sujetos aptos para el cuerpo durante un período de 7 segundos por gesto. La propuesta
MLPNN El método utiliza una técnica de reconocimiento de patrones basada en el perceptrón neuronal multicapa.
Perceptrón multicapa neuronal Red (MLPNN). Los resultados muestran una precisión media del 90,5% en el reconocimiento
la red los catorce gestos propuestos.

Brazalete Myo
Mioeléctrico Copyright c 2020 Instituto de Ingeniería y Ciencias Avanzadas.
Protésico Reservados todos los derechos.
Reconocimiento

Autor correspondiente:

Ahmed Al-Khazzar,
Universidad de Kerbala, Kerbala, Iraq.
Correo electrónico: ahmed.m.ahmed@uokerbala.edu.iq

1. INTRODUCCIÓN
Las prótesis mioeléctricas de miembros superiores son los dispositivos de próxima generación destinados a ayudar a los amputados que
sufre la pérdida de la mano. A diferencia de las prótesis de mano tradicionales que ofrecen limitaciones cosméticas o corporales
funcionalidad adaptada al amputado, las prótesis mioeléctricas utilizan sensores de electromiografía (EMG) conectados
a los músculos del cuerpo para controlar la prótesis a través de un controlador y motores que mueven la mano sintética.
El aspecto mecánico de las prótesis se ha desarrollado enormemente en los últimos años y muchas manos protésicas con
múltiples movimientos y grados de libertad (DoF) están disponibles comercialmente. Ejemplos de estos pros-
Las manos téticas son la mano Bebionic [1], la mano iLimb [2], la mano Vanderbilt [3], la mano UNB [4], la mano Yale [5],
SmartHand [6], la mano DLR / HIT [7] y la mano Keio [8].
La mayoría de las prótesis mioeléctricas desarrolladas actualmente adolecen de dos problemas. Ellos ofrecen
un número limitado de gestos con las manos o un índice de reconocimiento deficiente para un mayor número de gestos. Dado que el papel de
una prótesis es para aproximarse a la funcionalidad de una mano real, existe la necesidad de una mayor cantidad de gestos

1 de 10 13/05/21, 16:25
Reconocimiento de nuevos gestos usando myo brazalete... https://translate.googleusercontent.com/translate_f

Página 9

una prótesis es para aproximarse a la funcionalidad de una mano real, existe la necesidad de una mayor cantidad de gestos
ser reconocido en una prótesis mioeléctrica con alta tasa de reconocimiento. El documento actual intenta abordar la
problema anterior.
Desarrollar un controlador para múltiples movimientos de la mano que logre una precisión de reconocimiento aceptable
es un desafío. La tasa de reconocimiento y la precisión de los sistemas EMG se han investigado ampliamente en el pasado [9].
Según [10], la precisión del reconocimiento de dicho sistema dependerá principalmente de varios parámetros:
Ubicación del electrodo EMG, métodos de procesamiento de señales, técnicas de extracción de características y clasificación.
algoritmos.

Página de inicio de la revista: http://ijece.iaescore.com

Int J Elec & Comp Eng ISSN: 2088-8708 □ 5695

Según [11], en EMG de superficie, la posición del electrodo es vital para la detección de la señal y puede
afectar la calidad de la señal. Los datos de EMG pueden ser diferentes cuando se obtienen de diferentes ubicaciones cercanas
del músculo. El uso de técnicas multicanal puede mejorar la calidad de la señal con respecto a la
posición de los electrodos. Recientemente, en algunas prótesis mioeléctricas, se ha utilizado el dispositivo de brazalete Myo
para recopilar datos EMG. El brazalete Myo consta de ocho electrodos que pueden mitigar el problema de la posición.
El examen del trabajo anterior muestra que la mayor parte de la investigación en el pasado utilizó entre dos y ocho EMG
sensores en el antebrazo [12].
Con respecto a otros parámetros que afectan la precisión del reconocimiento, varias funciones de extracción y clasificación
Los algoritmos de clasificación se investigaron en la literatura anterior, como se resume en [13]. Reconociendo múltiples
gestos es un desafío ya que la precisión del reconocimiento disminuye con el aumento en el número de gestos.
La Tabla 1 resume ejemplos de literatura previa que intenta reconocer varios gestos [10, 14-25].
El método propuesto en este trabajo es utilizar la red neuronal de perceptrón multicapa (MLPNN)
combinado con técnicas de preprocesamiento y algoritmos de extracción de características. En esta investigación, un Myo de ocho canales
El dispositivo EMG de brazalete se utiliza para reconocer catorce gestos con las manos. Estos son nueve gestos más que los cinco
gestos integrados que el dispositivo puede reconocer. La novedad de esta obra radica en el reconocimiento de catorce gestos
con una red neuronal avanzada con alta precisión de reconocimiento y mejorando los resultados informados en
la literatura que se muestra en la Tabla 1. Según el conocimiento del autor, no hay prótesis mioeléctricas disponibles comercialmente
hoy en día, que ofrece capacidad de reconocimiento de múltiples gestos. Esto se debe a varios factores tales como:
tiempo de procesamiento de los sistemas de reconocimiento de patrones, la falta de confiabilidad de estos sistemas (debido al electrodo
posicionamiento y fatiga), y la falta de controles intuitivos [26-28].

Tabla 1. Precisión en el reconocimiento de literatura previa con múltiples gestos

No. de EMG No. de Duración de tiempo No. de Reconocimiento
Referencia Características Clasificador
Canales Asignaturas (segundos) Gestos Precisión (%)
10 I-EMG, MAV, MSR, 6 Algoritmo PCA y 5 5 6 99,6
VAR, WL, SSI, Clasificador SVM 11 95,6
SSC, ZC y WA 17 95,1
14 PSD 6 ANA 12 5 9 72,9
17 63,8
15 IRMS 4 ICA, IRAM, ANN 4 10 4 90,33
dieciséis TD, ACCC, 4 KNN, LDA, SVM 6 0,064 9 91
y SPM
17 PSD-Av 5 PNM 4 1 10 80
18 HD-sEMG 8 MK-MMD 23 3-10 22 84,6
19 RA de tercer orden 2 Bayesiano lineal 4 1 5 90-93,5
coeficientes del modelo, Clasificador 11 83,1-95,4
MAV y MAVR dieciséis 78,8-90,3
20 CCA 4 KNN, LDA y 8 5-10 8 82
LIBSNM

2 de 10 13/05/21, 16:25
Reconocimiento de nuevos gestos usando myo brazalete... https://translate.googleusercontent.com/translate_f

y MNF y HMM
25 MAV, ARSSC 6 SVM 5 4 5 96
ZC, WL y
RMS
13 RMS, STD, 8 MLPNN 3 5 5 99
MAX y MIN
Este trabajo RMS 8 MLPNN 3 7 14 91-94

El avance de las técnicas de reconocimiento de patrones puede ayudar potencialmente a reconocer múltiples DoF y
mapeándolos a prótesis mioeléctricas. Sin embargo, reconocer gestos que incluyen el movimiento individual de los dedos
El uso de EMG puede ser una tarea desafiante. La razón es que las variaciones de amplitud de la señal EMG son
pequeño para los movimientos de los dedos en comparación con los movimientos del brazo y la muñeca [14]. Además, los músculos responsables
para controlar el movimiento de los dedos se ubican en capas intermedias y profundas del antebrazo [27]. Con el fin de
Reconocer varios movimientos de los dedos, se requieren múltiples sensores EMG para proporcionar datos adecuados.
Este artículo está organizado de la siguiente forma: La Sección 2 presenta la estructura del dispositivo de brazalete Myo, y
la red neuronal de perceptrón multicapa (MLPNN). La sección 3 presenta la recopilación de datos y la capacitación de
el MLPNN. Los resultados se discuten en la Sección 4. Finalmente se presenta la conclusión.

Reconocimiento de nuevos gestos usando myo brazalete para ... (Jabbar Salman Hussain)

5696 □ ISSN: 2088-8708

2. TEORÍA
2.1. Dispositivo de brazalete Myo
El brazalete Myo es un dispositivo portátil que utiliza ocho sensores de electrodos para medir las señales EMG de
músculos del antebrazo. El dispositivo envía estos datos a través de Bluetooth a una computadora. Se utiliza un programa de controlador especial para
Analizar las señales y reconocer los gestos de las manos del usuario. Los gestos reconocidos se pueden utilizar posteriormente
por varias aplicaciones. El brazalete Myo también está equipado con varios otros sensores, como acelerómetro,
giroscopio y magnetómetro que recopilan datos espaciales sobre el gesto y pueden facilitar el reconocimiento de gestos
(estos sensores adicionales no se utilizaron en este trabajo). El dispositivo debe estar en contacto directo con el usuario.
skin, para operar y puede funcionar con varios sistemas operativos como Windows, Mac, iOS y Android.
Está alimentado por un procesador ARM Cortex M4 y utiliza una batería recargable para funcionar [29-30].

2.2. Red neuronal de perceptrón multicapa

La red neuronal de perceptrón multicapa (MLPNN) es una red de avance que contiene uno o
capas más invisibles llamadas capas ocultas. El proceso de aprendizaje se realiza mediante un método supervisado donde
la salida deseada debe conocerse de antemano para actualizar los pesos de las conexiones internas entre los
capas. Este algoritmo de actualización se llama retropropagación. En este algoritmo el error entre el deseado
La salida y la salida real se calcula cada vez que se presentan los datos de entrenamiento de entrada / salida. Conexión
Los pesos se ajustan continuamente de acuerdo con el error calculado hasta que el gradiente de error alcanza un
valor pequeño priate, que indica que la salida real está cerca del objetivo [31-34].

3. TRABAJA
3.1. Recopilación de datos
En este trabajo, se recopilaron conjuntos de datos de catorce gestos de tres sujetos aptos para el cuerpo utilizando Myo

3 de 10 13/05/21, 16:25
Reconocimiento de nuevos gestos usando myo brazalete... https://translate.googleusercontent.com/translate_f

Relajarse Descansar El estado de relajación

Movimientos de muñeca Saludar a la derecha Mueve la mano hacia la derecha
Ola a la izquierda Mueve la mano hacia la izquierda
Movimientos individuales de los dedos Un dedo Levanta el dedo índice
Pulgar Levanta el pulgar hacia arriba
Movimiento de varios dedos Extienda los dedos Extiende todos los dedos
Puño Estado de puño
Dos dedos Levanta los dedos índice y medio
Tres dedos Levante los dedos índice, medio y anular
Cuatro dedos Levante todos los dedos excepto el pulgar hacia arriba
Tomar Agarrar gesto (un vaso o una botella)
Pellizco Pellizcar los dedos
No muevas el pulgar Agite el estado mientras mantiene el pulgar adentro
Estrechar la mano Agitar el estado con el pulgar hacia arriba

Los datos de cada gesto se almacenaron como una secuencia con una longitud que variaba entre 1398 y 1408 valores EMG
(elementos). Se aplicó un proceso de eliminación de silencio a los datos seguido de la eliminación de los elementos adicionales para crear
conjuntos de datos iguales. Además, los elementos de los conjuntos de datos se superpusieron para maximizar el número de muestras.
Esto produjo un conjunto de datos con una dimensión de 50x117 por gesto por canal EMG.
Cuatro características, a saber, raíz cuadrada media (RMS), desviación estándar (STD), mínimo (Min) y
valores máximos (Max), se extrajeron de cada secuencia de gestos. Este proceso ha obtenido un (4x117)
matriz de funciones por cada canal EMG. Para 8 canales, el resultado fue una matriz de características (32x117) por
gesto. El 80% de los datos obtenidos se utilizaron para entrenamiento (vector de entrada), el 10% se utilizó para validación y el
el 10% restante se utilizó para probar la red neuronal.

Int J Elec & Comp Eng, vol. 10, No. 6, diciembre de 2020: 5694 - 5702

Int J Elec & Comp Eng ISSN: 2088-8708 □ 5697

4 de 10 13/05/21, 16:25
Reconocimiento de nuevos gestos usando myo brazalete... https://translate.googleusercontent.com/translate_f

Figura 1. Representación de los catorce gestos utilizados en la obra

3.2. Entrenamiento de MLPNN

Para el reconocimiento de patrones, se diseñó un clasificador utilizando MLPNN y basado en el dominio del tiempo.
características de RMS, STD, Min y Max. La estructura del MLPNN se configuró con una capa oculta para
Reducir el tiempo de procesamiento en el proceso de formación. El número de neuronas ocultas se seleccionó en función de la prueba y
error y de la experiencia para lograr el error RMS más bajo posible. Además, el objetivo era minimizar la
número de épocas de formación en la red.
La Figura 2 muestra la estructura neuronal que se utilizó para el entrenamiento. El clasificador constaba de 32 neuronas
en la capa de entrada, 30 procesadores ocultos con función tangente y 14 neuronas de salida con función sigmoidea
clasificar 14 gestos determinados. La retropropagación del descenso de gradiente se utilizó como un algoritmo de entrenamiento con
una tasa de aprendizaje adaptativa para minimizar los riesgos de errores mínimos locales.
El entrenamiento debe terminarse si se obtiene alguno de los criterios de parada para evitar el ajuste excesivo.
problema. Estos criterios se establecieron en 1000 iteraciones de entrenamiento y un error RMS de 0,001. La figura 3 muestra el
algoritmos utilizados para entrenar y probar el clasificador MLPNN.

Reconocimiento de nuevos gestos usando myo brazalete para ... (Jabbar Salman Hussain)

5698 □ ISSN: 2088-8708

5 de 10 13/05/21, 16:25
Reconocimiento de nuevos gestos usando myo brazalete... https://translate.googleusercontent.com/translate_f

Leer los datos de EMG

Empezar Empezar
(muestras de entrenamiento)

Preprocesamiento

Segmentación
Prepara el Myo Leer el nuevo EMG
Sensor de brazalete datos (muestras de prueba)
Superposición

Extracción de características
Preprocesamiento
Realizar gesto
Segmentación
reconocimiento usando el
Salva a los entrenados MLPNN capacitado
MLPNN Superposición
clasificador
Entrenamiento MLPNN
Extracción de características

sí
sí
No
Salida del
decisión de reconocimiento

Final Criterios de parada

 ¿se cumple?

Prueba otro  No
Final
¿gesto?

(a) (B)

Figura 3. Algoritmos utilizados para (a) el entrenamiento y (b) la prueba del clasificador MLPNN

4. RESULTADOS
La Figura 4 muestra el desempeño de la red en los procesos de entrenamiento, validación y prueba. Puede ser
observó que la red fue entrenada exitosamente con un desempeño de validación de 0.001541. La figura 5 muestra
el gradiente de error para todas las épocas de entrenamiento con el valor RMS de 0.00035374 en la época 101. Número de validación
los cheques se fijó en seis. Esta verificación de validación se logró en la época 101 como se muestra en la figura.

Int J Elec & Comp Eng, vol. 10, No. 6, diciembre de 2020: 5694 - 5702

6 de 10 13/05/21, 16:25
Reconocimiento de nuevos gestos usando myo brazalete... https://translate.googleusercontent.com/translate_f

Figura 4. Rendimiento de la red neuronal en los procesos de entrenamiento, validación y prueba

Figura 5. Resultados del entrenamiento MLPNN: el eje x muestra el número de épocas, el eje y es el gradiente de
error en la parte superior y el valor de verificación de validación en la subfigura inferior

La Figura 6 muestra el desempeño real del MLPNN al final de los procesos de entrenamiento y prueba.
El número de gesto y el número de clase se representan en el eje X y el eje Y, respectivamente. Los resultados del entrenamiento
proporcionan una clasificación perfecta con alta precisión para todos los gestos. El número de clase del gesto en
cualquier proceso de prueba se define por el valor más grande de todas las neuronas en la capa de salida de MLPNN. Para binario
patrones, la salida del gesto categorizado debe tener un valor de uno, y la salida de los otros gestos
debe tener un valor de cero. La Tabla 3 muestra la representación numérica de las clases de gestos.

7 de 10 13/05/21, 16:25
Reconocimiento de nuevos gestos usando myo brazalete... https://translate.googleusercontent.com/translate_f

Figura 6. Desempeño real de MLPNN en (a) proceso de entrenamiento, (b) proceso de prueba

Los métodos de segmentación y superposición que se utilizaron en este trabajo como parte de la presentación de datos
el procesamiento mejoró la eficiencia del entrenamiento al aumentar el número de muestras de entrenamiento. La exactitud
del MLPNN entrenado se evalúa calculando el número de clases correctamente reconocidas en el proceso de prueba.
impuesto. Por tanto, la tasa de reconocimiento se calcula mediante:

RecognitionRate = (Muestras clasificadas correctamente / Todas las muestras de prueba) ∗ 100 (1)

La Tabla 4 muestra los resultados de las tasas de reconocimiento para los tres sujetos con capacidad corporal. La precisión del reconocimiento
fue hasta el 94%. Comparando estos resultados con los sistemas de reconocimiento basados en EMG anteriores que utilizaban
redes muestra que en este trabajo se logró una mayor precisión de reconocimiento con respecto al número de gestos
que se pueden reconocer como se muestra en la Tabla 5. Según el conocimiento de los autores, no había trabajo disponible utilizando el
Brazalete Myo para el reconocimiento de múltiples gestos con fines comparativos.
El trabajo anterior de los mismos autores informó un 99% de precisión utilizando una red neuronal similar y 5
gestos. Por lo tanto, agregar 9 nuevos gestos redujo la precisión del sistema al 90,5%. La disminución de la precisión
se puede atribuir a un aumento en el número de gestos que se diferencian en función de los movimientos de los dedos.
Las variaciones de la amplitud de la señal EMG son pequeñas para los movimientos de los dedos en comparación con los movimientos del brazo y la muñeca.
lo que da como resultado características extraídas similares y un reconocimiento menos preciso.

Tabla 3. Números de clase asignados a los gestos

Propagar Onda Onda Uno Dos Tres Cuatro Sacude no Agitar
Gestos Descansar Puño Pulgar Tomar Pellizco
dedos Derecha Izquierda Dedo Dedo Dedo Dedo Pulgar Mano
Real O / P 1 2 3 4 5 6 7 8 9 10 11 12 13 14

Tabla 4. Tasas de reconocimiento de las tres asignaturas

1er set 2do set Reconocimiento
Sujeto No.
Tasa de reconocimiento% Tasa de reconocimiento% Promedio %

8 de 10 13/05/21, 16:25
Reconocimiento de nuevos gestos usando myo brazalete... https://translate.googleusercontent.com/translate_f

Luego, el sistema entrena al MLPNN para clasificar diferentes gestos de dedos y muñecas. La principal contribución de este
El trabajo es el reconocimiento preciso de catorce gestos utilizando el dispositivo de brazalete Myo que solo puede reconocer
cinco gestos. La técnica de preprocesamiento propuesta basada en la extracción de características en el dominio del tiempo mejoró la
proceso de formación y fue eficaz para el reconocimiento de gestos.
Los resultados mostraron una precisión de reconocimiento promedio del 90,5% para todos los datos de prueba. Basado en estos
resultados, el método propuesto se puede utilizar como un clasificador confiable para diferentes gestos con las manos en aplicaciones
donde es importante reconocer tantos gestos como sea posible, como las manos protésicas de gestos múltiples. La
El sistema implementado también puede contribuir al avance de la interacción inteligente entre el ser humano y
instrumentos como manos protésicas mioeléctricas, control de máquinas e interfaz hombre-ordenador (HCI).
El trabajo futuro puede diseñar e implementar un sistema manejable para el reconocimiento de gestos con las manos usando
técnicas de implementación de hardware como Field Programmable Gate Array (FPGA). El error en el reconocimiento
podría deberse a gestos convergentes. El MLPNN capacitado puede clasificar erróneamente estos gestos como resultado de similares
características calculadas a partir de señales EMG en bruto comparables debido a la contigüidad de sus músculos asociativos. La
Los gestos mal reconocidos varían según el sujeto bajo prueba, ya que cada sujeto podría realizar el mismo
gesto ligeramente diferente cada vez. Una extensión de este trabajo puede buscar métodos para hacer frente a estos
reconocimientos para mejorar la precisión del sistema. Finalmente, un algoritmo de reconocimiento basado en MPLNN
entrenado por retropropagación podría sufrir mínimos locales o altos costos computacionales. Necesidades de trabajo futuro
para examinar otros algoritmos inteligentes como Adaptive Neuro Fuzzy Inference System (ANFIS) para gestos
reconocimiento.

RECONOCIMIENTO
Este trabajo es realizado por Intelligent Prosthetics Research Group (IPRG) en la Facultad de Ingeniería,
Universidad de Kerbala en 2019.

REFERENCIAS
[1] Bebionic Hand, Ottobock, [en línea] Disponible: https://www.ottobockus.com/prosthetics/upper-limb-
prótesis / solución-descripción general / bebionic-hand.
[2] I-Limb Ultra, Ossur, [Online] Disponible: https://www.ossur.com/en-us/prosthetics/arms/i-limb-ultra.
[3] SA Dalley y col. “Diseño de una prótesis de mano antropomórfica multifuncional con actua-

9 de 10 13/05/21, 16:25
Reconocimiento de nuevos gestos usando myo brazalete... https://translate.googleusercontent.com/translate_f

5702 □ ISSN: 2088-8708

[13] AM AlKhazzar y MN Raheema, "Clasificación de la señal EMG usando la función de base radial Neural
Network ”, Tercera Conferencia Científica de Ingeniería Eléctrica (SCEE), págs. 180-185, 2018.
[14] T. Jiralerspong, et al., “Estudio experimental de clasificación en tiempo real de 17 movimientos voluntarios para
mano protésica mioeléctrica de varios grados ”, Applied Sciences, vol. 7, no. 1 de diciembre de 2017.
[15] GR Naik, DK Kumar y SP Arjunan, “Identificación de gestos multimodales para HCI usando
EMG, ”Proc. del 12 ° Int. conf. sobre entretenimiento y medios en la era ubicua, págs.90-94, 2008.
[16] X. Chen y ZJ Wang, “Reconocimiento de patrones de gestos numéricos basados en un EMG de superficie inalámbrica
sistema ”, procesamiento y control de señales biomédicas, vol. 8, no. 2, págs. 184-192, 2013.
[17] MC Castro, SP Arjunan y DK Kumar, “Selección de gestos con las manos adecuados para mioeléctricos confiables
interfaz humana-computadora ”, ingeniería biomédica en línea, vol. 14, no. 1 de, 2015
[18] Y. Du, et al., “Reconocimiento de gestos entre sesiones basado en EMG de superficie mejorado por adaptaciones de dominio profundo
ción ”, Sensores, vol. 17, no. 3, 2017.
[19] X. Chen, et al., “Investigación de reconocimiento de gestos manuales basada en sensores EMG de superficie y 2D-
acelerómetros ”, 11º Simposio Internacional de IEEE sobre Computadoras Portátiles, págs. 11-14, 2007.
[20] NK Rami, "Análisis de correlación de señales de electromiograma para interfaces mioeléctricas multiusuario",
IEEE tran. sobre sistemas neuronales y rehabilitación eng., vol. 22, no. 4, págs. 745-755, 2014.
[21] A. Moin, et al., “Análisis del nivel de esfuerzo de contracción en el reconocimiento de gestos basado en EMG usando Hyper-
dimensional Computing ”, configuración de circuitos y sistemas biomédicos IEEE, 2019.
[22] WT Shi, et al., “Una mano biónica controlada por el reconocimiento de gestos de la mano basado en señales EMG de superficie: A
estudio preliminar, ”Biocibernética e Ingeniería Biomédica, vol. 38, no. 1, págs. 126-135, 2018.
[23] K. Rhee y HC Shin, “Reconocimiento de gestos de la mano basado en electromiogramas robusto para varias posiciones del brazo
tures ”, Revista Internacional de Redes de Sensores Distribuidos, vol. 14, no. 7, 2018.
[24] W. Geng, Du, Y., Jin, W., Wei, W., Hu, Y. y Li, J, “Reconocimiento de gestos mediante EMG de superficie instantánea
imágenes ”, Scientific reports, vol. 6 de diciembre de 2016.

10 de 10 13/05/21, 16:25