Desarrollo de un sistema de sensores para prótesis biónicas

Abstract

En este proyecto se aborda el desempeño de sensores mioeléctricos (EMG) SEN0240 fabricados por DFRobot y OyMotion, haciendo un análisis de señales de varios gestos en múltiples sesiones. Para ello, se propone un abanico de gestos, un diseño de brazalete de tres electrodos y se genera una serie de programas para los cálculos relevantes. Los datos EMG se registran a partir de tres canales, seguidos de un proceso de filtrado y normalización de las señales para extraer características relevantes. Además, se estima su espectro usando el método de Welch para analizar la frecuencia de las señales y se obtienen parámetros como la relación señal-ruido (SNR) y el valor cuadrático medio (RMS) captados por los sensores. Para permitir el manejo de datos y facilitar el crecimiento del proyecto, se diseñó un sistema de almacenamiento de datos utilizando una base de datos SQLite, permitiendo la organización y registro de datos en diferentes sesiones y gestos. A partir de los datos almacenados, se realizaron cálculos estadísticos como la desviación estándar de la relación señal-ruido (SNR) y valor cuadrático medio (RMS) para evaluar la consistencia y precisión de los sensores. Los resultados obtenidos demuestran que los gestos de muñeca, apertura y cierre de mano son los mejor captados por los sensores. Asimismo, la utilización de herramientas como Python y SQL facilita el procesamiento y análisis de grandes volúmenes de datos, permitiendo un seguimiento detallado de las características de las señales a lo largo de múltiples sesiones.

In this project, the performance of myoelectric sensors (EMG) SEN0240 fabricated by DFRobot and OyMotion is addressed by analyzing signals from various gestures across multiple sessions. For this purpose, a range of gestures is proposed, a three-electrode armband design is developed, and a series of programs for relevant calculations is generated. The EMG data is recorded from three channels, followed by a process of filtering and normalizing the signals to extract relevant features. Additionally, the Welch method is used to estimate the signal spectrums, analyze the signal frequencies and obtain parameters such as the signal-to-noise ratio (SNR) and root mean square (RMS) captured by the sensors. To allow easier data management and support the project’s growth, a data storage system was designed using an SQLite database, allowing for the organization and registration of data across different sessions and gestures. Based on the stored data, statistical calculations such as the standard deviation of the SNR and RMS were performed to evaluate the consistency and accuracy of the sensors. The results indicate that wrist gestures, hand opening, and closing are best captured by the sensors. Furthermore, the use of tools like Python and SQL simplifies the processing and analysis of large volumes of data, enabling detailed tracking of signal characteristics across multiple sessions.