Comparación de algoritmos de clasificación para control mioeléctrico de un prototipo de exoesqueleto de mano para paciente con accidente cerebrovascular

Abstract

Los accidentes cerebrovasculares son la principal causa de discapacidad y mortalidad a nivel mundial, generando deficiencias motoras que limitan la independencia en las actividades diarias. En este contexto, los dispositivos de asistencia y rehabilitación controlados mediante señales electromiográficas han demostrado, a través de pruebas clínicas, un impacto positivo en la recuperación de la movilidad y la mejora de la calidad de vida. La técnica de reconocimiento de patrones se han convertido en una herramienta común para implementar en el control de estos dispositivos; sin embargo, la variabilidad de las señales biológicas representa un desafío significativo, ya que no existe un estándar universal para optimizar estos procesos. Además, los retrasos en el procesamiento, derivados del tiempo necesario para la adquisición y análisis de las señales, comprometen la capacidad de los sistemas de control mioeléctrico para operar de manera eficiente y en tiempo real.

Este estudio analiza el rendimiento de algoritmos de clasificación aplicados a señales EMG en individuos sanos y pacientes post-ACV. La investigación combina el uso comparativo de técnicas para el procesamiento de señales y la evaluación de tres algoritmos de machine learning, variando el tiempo de adquisición de la señal y el número de canales de medición, para determinar su impacto en la exactitud. Se incluyen otras métricas de desempeño como precisión y sensibilidad, evaluando además la robustez y capacidad de generalización de los modelos.

Los resultados muestran que métodos como la densidad espectral de potencia, combinados con técnicas de reducción de dimensionalidad, contribuyen de manera significativa a mejorar la robustez y el rendimiento de los algoritmos de clasificación. Asimismo, se determinó que extender el tiempo de adquisición más allá de 2 segundos no proporciona mejoras sustanciales en la exactitud. Por otro lado, se destaca que aumentar el tamaño de la ventana temporal de adquisición de la señal tiene un impacto más relevante en el desempeño de los modelos, en términos de exactitud, precisión y sensibilidad, que el incremento en el número de canales.

Por último, los resultados obtenidos con los datos de pacientes con accidente cerebrovascular, relacionados con la capacidad de generalización de los modelos, revelaron una caída significativa en la exactitud, disminuyendo del 80% al 35-40% al comparar la validación con datos del mismo paciente frente a datos de distintos individuos.