Resumen

La predicción de la fuerza de las manos es una tecnología importante para los sistemas de interfaz de usuario orientados a las manos. En concreto, la electromiografía de superficie (sEMG) es una técnica prometedora para la predicción de la fuerza de la mano, que requiere un sensor con un espacio de diseño reducido y bajos costes de hardware. En este estudio, aplicamos varios modelos de regresión de redes neuronales artificiales (RNA) con diferentes números de neuronas y capas ocultas, y evaluamos las fuerzas de agarre de la mano utilizando un dinamómetro. Para nuestra evaluación se utilizó una prenda de mano con electrodos secos en los músculos interóseos dorsales. Once sujetos sanos participaron en nuestros experimentos. Las señales sEMG con seis niveles diferentes de fuerzas de 0 N a 200 N y contracción voluntaria máxima (MVC) se miden para entrenar y probar nuestros modelos de regresión ANN. Evaluamos tres métodos diferentes (evaluación intrasesión, intrasujeto e intersujeto), y nuestros resultados experimentales muestran una alta correlación (0,840, 0,770 y 0,789 cada uno) entre las fuerzas predichas y las fuerzas observadas, normalizadas por la MVC para cada sujeto. Nuestros resultados también revelan que las RNA con capas más profundas de hasta cuatro capas ocultas muestran menos errores en las evaluaciones intrasesión e intrasujeto.

• Materias:Biotecnología Redes de sensores Sistema de sensores Diagnóstico de fallas Tecnología de sensores Diagnóstico de fallos
• Subjects:Biotechnology Sensor networks Sensor system Fault diagnosis Sensor technology
• Palabras claves:predicción de fuerza, modelos de regresión ann, músculos interóseos dorsales, bajo coste de hardware, contracción voluntaria máxima, espacio de diseño reducido, sistemas de interfaz de usuario, mvc, fuerzas, mano
• Keywords:force prediction, ann regression models, dorsal interosseous muscles, low hardware costs, maximum voluntary contraction, small design space, user interface systems, mvc, forces, hand