Adquisición y procesamiento de señales electromiográficas para el control de un vehículo virtual en tiempo real
Este trabajo, se presenta el registro y clasificación de las señales electromiográficas (EMG) de las extremidades inferiores, específicamente del musculo basto, con el fin de controlar un vehículo virtual diseñado en Blender. El sistema tiene de 4 canales, con una interfaz gráfica, que permite el control de un vehículo virtual. Para el procesamiento de las señales, se utilizaron diferentes herramientas matemáticas tales como: análisis de Fourier y análisis wavelet. Estas técnicas se usaron con el objetivo de comprimir datos, obtener patrones característicos en cada conjunto de señales y realizar un filtrado digital. El control del automóvil consta de 4 comandos como: acelerar, detenerse, giro derecha y giro izquierda, las cuales son las ins... Ver más
Guardado en:
0122-820X
2422-5053
25
2020-01-01
25
32
info:eu-repo/semantics/openAccess
http://purl.org/coar/access_right/c_abf2
Universidad Francisco de Paula Santander - 2020
| id |
0cc550a6da58e1d1bbc38359bc119e00 |
|---|---|
| record_format |
ojs |
| spelling |
Adquisición y procesamiento de señales electromiográficas para el control de un vehículo virtual en tiempo real Blender Artículo de revista 1 25 Transformada Wavelet Transformada rápida de Fourier Electromiografía Universidad Francisco de Paula Santander Motor de juegos Mendoza, Luis Enrique Nieto-Sánchez, Zulmary Carrero-Carrero, José Luis Este trabajo, se presenta el registro y clasificación de las señales electromiográficas (EMG) de las extremidades inferiores, específicamente del musculo basto, con el fin de controlar un vehículo virtual diseñado en Blender. El sistema tiene de 4 canales, con una interfaz gráfica, que permite el control de un vehículo virtual. Para el procesamiento de las señales, se utilizaron diferentes herramientas matemáticas tales como: análisis de Fourier y análisis wavelet. Estas técnicas se usaron con el objetivo de comprimir datos, obtener patrones característicos en cada conjunto de señales y realizar un filtrado digital. El control del automóvil consta de 4 comandos como: acelerar, detenerse, giro derecha y giro izquierda, las cuales son las instrucciones básicas para el manejo real de un automóvil. Los resultados mostraron que es posible usar señales biológicas para realizar controles virtuales (video juego). Así mismo, se verificó que la parametrizar encontrada de cada grupo de señales EMG, fue satisfactoria, ya que el porcentaje de errores de las 4 variables estudiadas fue del 0.04% para un total de 400 ejecuciones. Este porcentaje de error corrobora que el sistema tiene gran potencialidad para posibles aplicaciones futuras. Respuestas López, D. A. R., Correa, H. L., López, M. A., & Sánchez, J. E. D. (2018). Expert committee classifier for hand motions recognition from EMG signals. Ingeniare: Revista Chilena de Ingenieria, 26(1), 62-71. Subasi, A., Yaman, E., Somaily, Y., Alynabawi, H. A., Alobaidi, F., & Altheibani, S. (2018). Automated EMG Signal Classification for Diagnosis of Neuromuscular Disorders Using DWT and Bagging. Procedia Computer Science, 140, 230-237. Bernabé, G., Hernández, R., & Acacio, M. E. (2018). Parallel implementations of the 3D fast wavelet transform on a Raspberry Pi 2 cluster. The Journal of Supercomputing, 74(4), 1765-1778. Sawires, Y., Huang, E., Gomes, A., Fernandes, K., & Wang, D. (2018, July). Development of Concussion Evaluation Tools Using Life-Like Virtual Reality Environments. In International Conference on Human-Computer Interaction (pp. 326-333). Springer, Cham. Jang, J. (2019). Wavelet-based EMG Sensing Interface for Pattern Recognition. Popov, A., Olesh, E. V., Yakovenko, S., & Gritsenko, V. (2018, March). A novel method of identifying motor primitives using wavelet decomposition. In 2018 IEEE 15th International Conference on Wearable and Implantable Body Sensor Networks (BSN) (pp. 122-125). IEEE JAHROMI, Mohsen Ghofrani, et al. Cross Comparison of Motor Unit Potential Features Used in EMG Signal Decomposition. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2018, vol. 26, no 5, p. 1017-1025. López, D. A. R., Correa, H. L., López, M. A., & Sánchez, J. E. D. (2018). Expert committee classifier for hand motions recognition from EMG signals. Ingeniare: Revista Chilena de Ingenieria, 26(1), 62-71. Wang, N., Wan, J., & Strumolo, G. S. (2019). U.S. Patent Application No. 16/087,121. Binion, T., Harr, J., Fields, B., Cielocha, S., & Balbach, S. J. (2018). U.S. Patent Application No. 10/140,417. Bullinger, S., Bodensteiner, C., Arens, M., & Stiefelhagen, R. (2018). 3d vehicle trajectory reconstruction in monocular video data using environment structure constraints. In Proceedings of the European Conference on Computer Vision (ECCV) (pp. 35-50). http://purl.org/coar/resource_type/c_2df8fbb1 García, M., Vargas, J., & Isaza, L. Virtual Object of Learning for Driving Through Virtual Reality with Development of Peripherals and Glasses for Virtual Reality. International Journal of Applied Engineering Research, 13(11), 9382-9386. (2018). STEFAN, Frederic, et al. Method for modeling a motor vehicle sensor in a virtual test environment. U.S. Patent Application No 16/050,567, 2019. S.G. Mallat. "Multifrequency Channal Decompositions of Images and Wavelet Models" IEEE Transactions on Acoustics, Speech, and Signal Processing, vol. 37, no 12, pp. 2091-2110, 1989 info:eu-repo/semantics/article http://purl.org/coar/resource_type/c_6501 Deng, W., Zhang, S., Zhao, H., & Yang, X. (2018). A novel fault diagnosis method based on integrating empirical wavelet transform and fuzzy entropy for motor bearing. IEEE Access, 6, 35042-35056 http://purl.org/redcol/resource_type/ART info:eu-repo/semantics/publishedVersion http://purl.org/coar/version/c_970fb48d4fbd8a85 info:eu-repo/semantics/openAccess http://purl.org/coar/access_right/c_abf2 Text Bhattacharyya, A., Singh, L., & Pachori, R. B. (2018). Fourier–Bessel series expansion based empirical wavelet transform for analysis of non-stationary signals. Digital Signal Processing, 78, 185-196. https://creativecommons.org/licenses/by-nc-sa/4.0/ Bhattacharyya, A., Sharma, M., Pachori, R. B., Sircar, P., & Acharya, U. R. (2018). A novel approach for automated detection of focal EEG signals using empirical wavelet transform. Neural Computing and Applications, 29(8), 47-57. text/html This work presents the registration and classification of the electromyographic (EMG) signals of the lower extremities, specifically of the gross muscle, in order to control a virtual vehicle designed in Blender. The system has 4 channels, with a graphic interface, which allows the control of a virtual vehicle. For the processing of the signals, different mathematical tools were used such as: Fourier analysis and wavelet analysis. These techniques were used in order to compress data, obtain characteristic patterns in each set of signals and perform digital filtering. The control of the car consists of 4 commands such as: accelerate, stop, right turn and left turn, which are the basic instructions for the real operation of a car. The results showed that it is possible to use biological signals to perform virtual controls (video game). Likewise, it was verified that the parameterization found for each group of EMG signals was satisfactory, since the percentage of errors of the 4 variables studied was 0.04% for a total of 400 executions. This error percentage corroborates that the system has great potential for possible future applications. Blender Game Engine Electromyography Fast FourieR Transform Transformed Wavelet Journal article Zhang, D. (2019). Wavelet transform. In Fundamentals of Image Data Mining (pp. 35-44). Springer, Cham. application/pdf Publication Inglés https://revistas.ufps.edu.co/index.php/respuestas/article/view/2402 Murray Speigel. “Teoría y Problemas de Análisis de Fourier”. McGraw-Hill serie de compendios Schaum, 1981. Universidad Francisco de Paula Santander - 2020 Acquisition and processing of electromyographic signals for the control of a virtual vehicle in real time 32 25 2422-5053 https://doi.org/10.22463/0122820X.2402 0122-820X 2020-01-01T00:00:00Z https://revistas.ufps.edu.co/index.php/respuestas/article/download/2402/3001 https://revistas.ufps.edu.co/index.php/respuestas/article/download/2402/2669 2020-01-01 10.22463/0122820X.2402 2020-01-01T00:00:00Z |
| institution |
UNIVERSIDAD FRANCISCO DE PAULA SANTANDER |
| thumbnail |
https://nuevo.metarevistas.org/UNIVERSIDADFRANCISCODEPAULASANTANDER/logo.png |
| country_str |
Colombia |
| collection |
Respuestas |
| title |
Adquisición y procesamiento de señales electromiográficas para el control de un vehículo virtual en tiempo real |
| spellingShingle |
Adquisición y procesamiento de señales electromiográficas para el control de un vehículo virtual en tiempo real Mendoza, Luis Enrique Nieto-Sánchez, Zulmary Carrero-Carrero, José Luis Blender Transformada Wavelet Transformada rápida de Fourier Electromiografía Motor de juegos Blender Game Engine Electromyography Fast FourieR Transform Transformed Wavelet |
| title_short |
Adquisición y procesamiento de señales electromiográficas para el control de un vehículo virtual en tiempo real |
| title_full |
Adquisición y procesamiento de señales electromiográficas para el control de un vehículo virtual en tiempo real |
| title_fullStr |
Adquisición y procesamiento de señales electromiográficas para el control de un vehículo virtual en tiempo real |
| title_full_unstemmed |
Adquisición y procesamiento de señales electromiográficas para el control de un vehículo virtual en tiempo real |
| title_sort |
adquisición y procesamiento de señales electromiográficas para el control de un vehículo virtual en tiempo real |
| title_eng |
Acquisition and processing of electromyographic signals for the control of a virtual vehicle in real time |
| description |
Este trabajo, se presenta el registro y clasificación de las señales electromiográficas (EMG) de las extremidades inferiores, específicamente del musculo basto, con el fin de controlar un vehículo virtual diseñado en Blender. El sistema tiene de 4 canales, con una interfaz gráfica, que permite el control de un vehículo virtual. Para el procesamiento de las señales, se utilizaron diferentes herramientas matemáticas tales como: análisis de Fourier y análisis wavelet. Estas técnicas se usaron con el objetivo de comprimir datos, obtener patrones característicos en cada conjunto de señales y realizar un filtrado digital. El control del automóvil consta de 4 comandos como: acelerar, detenerse, giro derecha y giro izquierda, las cuales son las instrucciones básicas para el manejo real de un automóvil. Los resultados mostraron que es posible usar señales biológicas para realizar controles virtuales (video juego). Así mismo, se verificó que la parametrizar encontrada de cada grupo de señales EMG, fue satisfactoria, ya que el porcentaje de errores de las 4 variables estudiadas fue del 0.04% para un total de 400 ejecuciones. Este porcentaje de error corrobora que el sistema tiene gran potencialidad para posibles aplicaciones futuras.
|
| description_eng |
This work presents the registration and classification of the electromyographic (EMG) signals of the lower extremities, specifically of the gross muscle, in order to control a virtual vehicle designed in Blender. The system has 4 channels, with a graphic interface, which allows the control of a virtual vehicle. For the processing of the signals, different mathematical tools were used such as: Fourier analysis and wavelet analysis. These techniques were used in order to compress data, obtain characteristic patterns in each set of signals and perform digital filtering. The control of the car consists of 4 commands such as: accelerate, stop, right turn and left turn, which are the basic instructions for the real operation of a car. The results showed that it is possible to use biological signals to perform virtual controls (video game). Likewise, it was verified that the parameterization found for each group of EMG signals was satisfactory, since the percentage of errors of the 4 variables studied was 0.04% for a total of 400 executions. This error percentage corroborates that the system has great potential for possible future applications.
|
| author |
Mendoza, Luis Enrique Nieto-Sánchez, Zulmary Carrero-Carrero, José Luis |
| author_facet |
Mendoza, Luis Enrique Nieto-Sánchez, Zulmary Carrero-Carrero, José Luis |
| topicspa_str_mv |
Blender Transformada Wavelet Transformada rápida de Fourier Electromiografía Motor de juegos |
| topic |
Blender Transformada Wavelet Transformada rápida de Fourier Electromiografía Motor de juegos Blender Game Engine Electromyography Fast FourieR Transform Transformed Wavelet |
| topic_facet |
Blender Transformada Wavelet Transformada rápida de Fourier Electromiografía Motor de juegos Blender Game Engine Electromyography Fast FourieR Transform Transformed Wavelet |
| citationvolume |
25 |
| citationissue |
1 |
| publisher |
Universidad Francisco de Paula Santander |
| ispartofjournal |
Respuestas |
| source |
https://revistas.ufps.edu.co/index.php/respuestas/article/view/2402 |
| language |
Inglés |
| format |
Article |
| rights |
info:eu-repo/semantics/openAccess http://purl.org/coar/access_right/c_abf2 https://creativecommons.org/licenses/by-nc-sa/4.0/ Universidad Francisco de Paula Santander - 2020 |
| references_eng |
López, D. A. R., Correa, H. L., López, M. A., & Sánchez, J. E. D. (2018). Expert committee classifier for hand motions recognition from EMG signals. Ingeniare: Revista Chilena de Ingenieria, 26(1), 62-71. Subasi, A., Yaman, E., Somaily, Y., Alynabawi, H. A., Alobaidi, F., & Altheibani, S. (2018). Automated EMG Signal Classification for Diagnosis of Neuromuscular Disorders Using DWT and Bagging. Procedia Computer Science, 140, 230-237. Bernabé, G., Hernández, R., & Acacio, M. E. (2018). Parallel implementations of the 3D fast wavelet transform on a Raspberry Pi 2 cluster. The Journal of Supercomputing, 74(4), 1765-1778. Sawires, Y., Huang, E., Gomes, A., Fernandes, K., & Wang, D. (2018, July). Development of Concussion Evaluation Tools Using Life-Like Virtual Reality Environments. In International Conference on Human-Computer Interaction (pp. 326-333). Springer, Cham. Jang, J. (2019). Wavelet-based EMG Sensing Interface for Pattern Recognition. Popov, A., Olesh, E. V., Yakovenko, S., & Gritsenko, V. (2018, March). A novel method of identifying motor primitives using wavelet decomposition. In 2018 IEEE 15th International Conference on Wearable and Implantable Body Sensor Networks (BSN) (pp. 122-125). IEEE JAHROMI, Mohsen Ghofrani, et al. Cross Comparison of Motor Unit Potential Features Used in EMG Signal Decomposition. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2018, vol. 26, no 5, p. 1017-1025. López, D. A. R., Correa, H. L., López, M. A., & Sánchez, J. E. D. (2018). Expert committee classifier for hand motions recognition from EMG signals. Ingeniare: Revista Chilena de Ingenieria, 26(1), 62-71. Wang, N., Wan, J., & Strumolo, G. S. (2019). U.S. Patent Application No. 16/087,121. Binion, T., Harr, J., Fields, B., Cielocha, S., & Balbach, S. J. (2018). U.S. Patent Application No. 10/140,417. Bullinger, S., Bodensteiner, C., Arens, M., & Stiefelhagen, R. (2018). 3d vehicle trajectory reconstruction in monocular video data using environment structure constraints. In Proceedings of the European Conference on Computer Vision (ECCV) (pp. 35-50). García, M., Vargas, J., & Isaza, L. Virtual Object of Learning for Driving Through Virtual Reality with Development of Peripherals and Glasses for Virtual Reality. International Journal of Applied Engineering Research, 13(11), 9382-9386. (2018). STEFAN, Frederic, et al. Method for modeling a motor vehicle sensor in a virtual test environment. U.S. Patent Application No 16/050,567, 2019. S.G. Mallat. "Multifrequency Channal Decompositions of Images and Wavelet Models" IEEE Transactions on Acoustics, Speech, and Signal Processing, vol. 37, no 12, pp. 2091-2110, 1989 Deng, W., Zhang, S., Zhao, H., & Yang, X. (2018). A novel fault diagnosis method based on integrating empirical wavelet transform and fuzzy entropy for motor bearing. IEEE Access, 6, 35042-35056 Bhattacharyya, A., Singh, L., & Pachori, R. B. (2018). Fourier–Bessel series expansion based empirical wavelet transform for analysis of non-stationary signals. Digital Signal Processing, 78, 185-196. Bhattacharyya, A., Sharma, M., Pachori, R. B., Sircar, P., & Acharya, U. R. (2018). A novel approach for automated detection of focal EEG signals using empirical wavelet transform. Neural Computing and Applications, 29(8), 47-57. Zhang, D. (2019). Wavelet transform. In Fundamentals of Image Data Mining (pp. 35-44). Springer, Cham. Murray Speigel. “Teoría y Problemas de Análisis de Fourier”. McGraw-Hill serie de compendios Schaum, 1981. |
| type_driver |
info:eu-repo/semantics/article |
| type_coar |
http://purl.org/coar/resource_type/c_2df8fbb1 |
| type_version |
info:eu-repo/semantics/publishedVersion |
| type_coarversion |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
| type_content |
Text |
| publishDate |
2020-01-01 |
| date_accessioned |
2020-01-01T00:00:00Z |
| date_available |
2020-01-01T00:00:00Z |
| url |
https://revistas.ufps.edu.co/index.php/respuestas/article/view/2402 |
| url_doi |
https://doi.org/10.22463/0122820X.2402 |
| issn |
0122-820X |
| eissn |
2422-5053 |
| doi |
10.22463/0122820X.2402 |
| citationstartpage |
25 |
| citationendpage |
32 |
| url3_str_mv |
https://revistas.ufps.edu.co/index.php/respuestas/article/download/2402/3001 |
| url2_str_mv |
https://revistas.ufps.edu.co/index.php/respuestas/article/download/2402/2669 |
| _version_ |
1797194880355663872 |