HAND GESTURE CLASSIFICATION FROM ELECTROMYOGRAPHIC SIGNALS USING DEEP LEARNING

El procesamiento de señales electromiográficas (EMG) constituye un pilar fundamental en el desarrollo de interfaces hombre-máquina, específicamente para el reconocimiento de gestos y el control de prótesis mioeléctricas. No obstante, este campo enfrenta desafíos críticos como la alta variabilidad de las señales entre diferentes sujetos, la influencia de la calidad del sensor en la captura de datos y las estrictas limitaciones computacionales que surgen al intentar implementar algoritmos complejos en dispositivos embebidos que requieren una respuesta inmediata en tiempo real. Para abordar esta problemática, el presente estudio se centró en el desarrollo de modelos de aprendizaje profundo capaces de clasificar gestos de la mano con alta precisión y eficiencia. La metodología propuesta abarcó desde el preprocesamiento y la estandarización de las señales hasta el diseño de arquitecturas basadas en redes neuronales convolucionales (CNN). Se evaluaron dos enfoques: una CNN 2D que procesa la señal directa y un modelo multimodal que integra la señal estandarizada con su envolvente RMS. Estas arquitecturas fueron puestas a prueba utilizando datos de sensores de grado médico (BTS) y sensores de bajo costo (MyoWare 2.0), aplicados tanto en personas sanas como en sujetos con amputación. Los resultados obtenidos fueron sobresalientes, alcanzando métricas de precisión, recall y F1-score superiores al 91% de forma general, y llegando hasta un 99% en el caso de sujetos sanos. Un hallazgo relevante es que los sensores de bajo costo demostraron una competitividad notable frente a los sistemas médicos. Finalmente, tras aplicar técnicas de cuantización, el segundo modelo logró reducir su latencia de inferencia a menos de 0.5 ms. Este hito garantiza la viabilidad de la propuesta para ser integrada en sistemas de asistencia y rehabilitación de bajo costo con un rendimiento excepcional.