You are on page 1of 10

127

AnlisisdeSealesEMGSuperficialesysu
AplicacinenControldePrtesisdeMano

SurfaceEMGSignalsAnalysisandIts
ApplicationsinHandProsthesisControl
HaroldA.Romo,Esp.,JudyC.Realpe,Ing.,PabloE.Jojoa,PhD.
UniversidaddelCauca
hromo@unicauca.edu.co ,jcrealpe@unicauca.edu.co ,pjojoa@unicauca.edu.co

Recibidopararevisin26deMarzode2007,aceptado15deJuniode2007,versinfinal18dejuniode2007

Resumen Las seales Electr omiogr ficas Super ficiales over the pr osthesis. As well, it makes r efer ence to the most
(EMGS) son fuente de infor macin muy apr opiada par a el r ecent wor ks on development and r esear ch in the biomedical
contr oldedispositivosvir tualescomolaspr tesisdemano.Las signals EMGs pr ocessing field and its applications in
r azonespar autilizar estassealesobedeceadifer entesaspectos myoelectr iccontr ol.
tales como: facilidad par a r ecolectar muestr as, r espeto por la
integr idad de la per sona quien utiliza la pr tesis, r eutilizacin Key wordsWavelets Analysis, Myoelectr ic Contr ol, Hand
de una per sona a otr a, y fcil r emocin par a efectos de Pr osthesis,EMGsSignals.
mantenimiento y calibr acin. En este ar tculo, se pr esenta una
r evisindelastcnicasmsutilizadasenanlisisyextr accinde
car acter sticasdiscr iminantesdelassealesmotor asEMGscon I. INTRODUCCIN
fines de aplicacin en el contr ol de pr tesis vir tuales de mano
haciendo nfasis en la evolucin de las tcnicas tempor ales
clsicas a las tcnicas espectr ales ms r ecientes basadas en
C ON el avance tecnolgico, cada vez se logra mejorar la
construccindesistemasdeprtesiscomoextensionesde
tr ansfor madaswavelets,ysuaceptacinpar apr ocesar estetipo algn miembro del cuerpo humano con caractersticas
desealessegnsudesempeoenlaclasificacinyejecucinde esencialescomo:flexibilidad,estticacosmtica,pesoligeroy
movimientossobr elapr tesis.Asmismo,sehacer efer enciade multifuncionalidad.Igualmente,lacienciaylaingenierahan
los tr abajos ms r ecientes de desar r ollo e investigacin en el realizadograndesavancesenelreadeprocesamientodigital
campo del pr ocesamiento de seales biomdicas EMGs y sus
aplicacionesencontr olmioelctr ico.
de seales biomdicas como las seales electromiogrficas
superficiales (EMGS) y sus aplicaciones en el control de
Palabras ClaveAnlisis Wavelets, Contr ol Mioelctr ico, dispositivosactivoscomolasprtesismioelctricas.
Pr tesisdeMano,SealesEMGS. Una prtesis mioelctrica es un sistema accionado por
servomotores que se gobierna a partir de seales EMG, bien
AbstractThe sur face Electr omyogr aphic signals (EMGS) sean intramusculares, capturadas mediante agujas o
ar eappr opr iatesour ceofinfor mationtovir tualdevicescontr ol superficiales, recogidas en el mun del paciente mediante
as the hand pr osthesis. The r easons to use this signals obey to
electrodos [1]. Su desempeo, sinimportarquetipodeseal
differ ent aspects as: the simplicity to collect samples of the
signal, the r espect for the integr ity of the per son who uses the seutiliceesigualmenteaceptablecomolomuestranHargrove
pr osthesis, the r eusability of the device fr om one per son to L. et al. en [2]. Este tipo de prtesis son cada vez ms
another , and the easiness to r emove it for maintenance or aceptadas por personas con amputacin de mano, por que
calibr ation pur poses. Thisar ticlepr esentsar eviewofthemost permite a la persona quien la utiliza su rehabilitacin para
used techniques in analysis and extr action of discr iminant desempearse activamente en su campo laboral. Para lograr
featur esfr omtheEMGsdr ivingsignalsinor der toapplythem
estoserequieretambindelacompaamientocontinuodeun
in vir tual handpr osthesiscontr ol,emphasizingintheevolution
fr omtheclassictempor altechniquestothemostr ecentspectr al grupodeprofesionalesenelreamdica,deladisponibilidad
techniques based on the wavelets tr ansfor med and, its y esfuerzo mental y fsico del paciente para obtener los
acceptance to pr ocess this kind of signals accor ding to their mejoresresultados.
per for manceintheclassificationandcar r yingoutofmovements El xito de una prtesis mioelctrica ser medido por su

RevistaAvancesenSistemaseInformtica,Vol.4No.1Juniode2007,Medelln,ISSN16577663
128 RevistaAvancesenSistemaseInformtica,Vol.4No.1,Juniode2007

desempeo en la ejecucin de movimientos prcticos, con la Las seales EMGS son generadas por la contraccin
naturalidad de los ejecutadosporlamanohumana,lamenor muscular, por loque su adquisicinrequieredeunacorrecta
complejidad de operacin como sistema y con el menor identificacin de las regiones musculares comprometidas en
esfuerzo fsicomental por parte del paciente. Para esto, es la ejecucin de los movimientos a clasificar. Debido a la
esencial un adecuado proceso de anlisis de las seales elevadaresistenciaelctricanaturaldelapiel,serecomienda
motorasEMGS. la aplicacin de un gel que mejore la conductividad adems
La evolucin en las tcnicas de procesamiento de las delograrseunabuenasuperficiedecontactoyadherenciacon
seales de naturaleza transitoria y no peridica como las los electrodos. A pesar de estas disposiciones, las seales
EMGS ha jugado un papel importante en los ltimos aos, recogidas sern demasiado dbiles, por lo que se hace
partiendo de tcnicas bsicas y sencillas como el anlisis necesariounprocesamientopreviodefiltrajeyamplificacin
temporal, pasando por el anlisis espectral mediante la antes de su anlisis. Asmismo,segnlacomplejidaddelas
transformada de Fourier hasta llegar al anlisis espectral prtesissernecesariodisponerdeunmayoro menornmero
multiresolucinmediantelatransformadawavelet [3].Esta de canales o electrodos de recoleccin. Estos aspectos se
ltima tcnica adquiere cada vez mayor importancia en detallanacontinuacin.
muchas reas de la ciencia y en particular en anlisis de
seales biomdicas para las cuales se ha comprobado un 1. Preprocesamiento. La amplitud tpicadelasseales
mejordesempeoquelastcnicasbasadasenlatransformada EMGS es de 06mVporloqueserequierepasarlas
deFourier[4]. por un amplificador diferencial de alta ganancia
(unas 5000 veces), evitando distorsiones de la
II. LASSEALESEMGS informacin contenida en la seal. Una vez
LassealesEMGsuperficiales(EMGS),sonesencialmente amplificada la seal, se debe considerar la
un patrn unidimensional, por lo que cualquier tcnica de eliminacin de las componentes de ruido de alta
procesamiento de sealesparaextraccindecaractersticasy frecuencia y las provenientes defuentes delentorno,
reconocimiento de patrones se puede aplicar a este tipo de como la componente tpica de ruido de baja
seales. La informacin extrada de las seales EMGS, es frecuencia introducida por la red de distribucin
seleccionada de tal manera que se minimice el error en el elctrica de 60 Hz. Para eliminar esta ltima
controldelossistemasdeprtesismioelctricas.Lanecesidad componente de ruido, lo mas comn es utilizar un
deunarpidarespuestadelaprtesislimitalalongituddelas filtro tipo notch aunque no sea lo ms
muestras de la seal sobre las cuales se extraen las recomendable, ya que este podra eliminar oatenuar
caractersticas.Latendenciaenelcontroldeprtesisapartir tambin componentes de frecuenciaconinformacin
de seales EMGS obedece a que se constituye en la tcnica til dada la mayor concentracin de energa en las
ms sencilla de implementar por su facilidad en la seales EMGS entre los 50 Hz y 150 Hz,aunquesu
recoleccin sin intromisin directa sobre el organismo del canal de informacin va de los 20 Hz a los 500 Hz
usuario, remocin de electrodos y equipo para efectos de [6].
mantenimiento y/o calibracin y su reutilizacin de una 2. Posicinynmerodeelectrodos.Laposicindelos
personaaotra. electrodos es muy importante en la recoleccin de
registros EMGS con propsitos de control
A. AdquisicindeSealesEMGS mioelctrico.Porello,serecomiendalaasistenciade
Las seales EMGS, son colectadas tpicamente mediante personal mdico especializado, quienes pueden
electrodos bipolares de superficie, ubicados sobre la piel. identificar con mayor precisin las regiones
Estas han sido utilizadas para el control de prtesis de muscularesconmayorcompromisoenlaejecucinde
miembros superiores desde 1948 [5]. Estas seales proveen los movimientos de inters. Hargrove L. et al. [2],
informacinsobrelaactividadneuromuscularquelasorigina, demuestran que unas regiones sonmejoresqueotras
siendo esencial esta informacin en: diagnstico clnico, paralaubicacindeloselectrodosdisponiendopara
rehabilitacin y como fuente de control para dispositivos ello de 16 electrodos alrededor del antebrazo y por
activos y esquemas de estimulacin elctrica funcional [4]. comparacin en la precisin de clasificacin se
Hargrove L. et al. [2], realizaron un trabajo comparativo de identifican posiciones de los electrodos con los
clasificacin con seales EMG superficiales e mejoresresultadosdediscriminacinparaelconjunto
intramusculares, concluyendoquelainformacin extradaen de movimientos estudiados. Sin embargo, la
lasdosclasesdesealesesigualmentevaliosa,sinencontrar generalizacin de dichas posiciones no es
diferencias significativas en su capacidad de clasificacin. recomendable para todos los pacientes, as que el
Este resultado es importante, ya que brinda la seguridad de procedimiento de identificacin de las regiones
continuarutilizandolassealesEMGSenfuturostrabajosde musculares debe realizarseparticularmente con cada
investigacinaplicada. paciente.
AnlisisdeSealesEMGSuperficialesysuAplicacinenControldePrtesisdeManoRomo,RealpeyJojoa 129

Elnmerodeelectrodoscorrespondealnmerode sus resultados son concluyentes al demostrar que se puede


canalesaprocesaryesteesunparmetroesencialen lograr un desempeo excepcionalmente bueno en la
el desempeo del clasificador y en el nmero de clasificacin continua de patrones mioelctricos de
movimientosdiferentesaidentificar.Paradesarrollar movimientos, usando el estado estacionario de las seales
unaprtesisbioelctricamultifuncional,esnecesario EMGS[7].
extraer la mayor cantidad de informacin de cada
canal, o asignar una funcin de control a una III. PROCESAMIENTODELASSEALESEMGS
combinacin especfica de seales del sistema Laintroduccindelprocesamientodigitalenelanlisisde
multicanal[6].Deestaforma,esposibleaumentarel sealesEMGSsugieresudigitalizacinmedianteunproceso
nmero de movimientos diferentes a ejecutar en un demuestreo.Latasademuestreoenlaprcticapuedeserde
sistema de prtesis a partir de la disposicin de un 1000Hzconelfinderegistrarcomponentesdefrecuenciaen
mayornmerodecanales. la seal hasta los 500 Hz segn el teorema de Nyquist, o
EnglehartK.,etal.[7],muestranensusresultados muestrear a una frecuencia de 500 Hz para registrar
quelaprecisinenlaclasificacindepatronesEMG componentes de frecuencia hasta los 250 Hz. No se requiere
paraelcontrolmioelctricomultifuncionalesmayor de mayores tasas, puesto que la mayor concentracin de
con cuatro canales que con solo dos canales o uno. energa se encuentraentrelos50y150Hz[6].Decualquier
Sin embargo, entre mayor sea el nmero decanales manera, se debe tener en cuenta que la tasa de muestreo
mayor ser el retardo en la respuesta de la prtesis, incidir directamente en la longitud de las muestras de la
debido alagrancantidaddeinformacinaprocesar seal a procesar, implicando mayor o menor tiempo de
y mayor ser tambin la interferencia entre canales cmputosobrecadaregistroEMGycomprometiendoconello
por la cantidad significativa decrosstalkentrelos elretardoenlarespuestadelsistemadeprtesis.
msculos debido a factores como: el arreglo Paraelanlisisdelasseales,lomscomnessegmentar
geomtrico de los msculos y la propagacin losregistrosensegmentosdelongitud256muestras(256ms
dispersivadelasealenelvolumenconductorentre de grabacin), y aplicar las tcnicas de extraccin de
otros [8],[9]. Estos podran ser fenmenos que en caractersticas a cada segmento [2],[4],[7],[13],[14]. Por su
lugardemejorarlaclasificacinpodranempeorarla, parte, Englehart K., et al. [7] comparan el desempeo de
obligando a buscar adecuado compromiso entre clasificacin con seis movimientos diferentes de la mano,
precisin, multifuncionalidad y velocidad de variandoparaestolalongituddelossegmentosen256,128,
respuesta. 64 y 32 muestras en cada ensayo. As, mostraron que el
B. EstadosdelasSealesEMGS desempeo en la clasificacin se degrada rpidamente a
medida que disminuye la longitud de los segmento. Otros
EnlageneracindesealesEMGS,durantelacontraccin
trabajoscomoen[15],16}y[17]utilizansecuenciasde200y
muscular, se identifican dos fases o estados uno, el estado
400 muestras (200 y 400 ms), igualmente con resultados
transiente, correspondiente a los instantes de la rfaga de
satisfactorios, pero cabe anotar que longitudes mayores de
actividad mioelctrica que acompaa al esfuerzo muscular
256muestrasimpondrmayortiempodeprocesamientoyen
repentinoenlaejecucindeunmovimientoydos,elestado
consecuenciamayorretardoenlarespuestadelaprtesis.
estacionario, correspondiente al tiempo del esfuerzo
muscular realizado durante un movimiento el cual es A. ExtraccindeCaractersticas
sostenido[4]. Algunos de los trabajos deinvestigacincomo Todo sistema de control mioelctrico parte del hecho de
en [6],[7],[10] y[11], se han enfocado en la clasificacin de que el valor instantneo de las seales EMGS no contiene
acciones discretas generadas por la mueca, los dedos o el informacin [6]. Y segn los modelos aceptados para su
codo, analizando el estado transiente de las seales EMGS, representacin, estas son estocsticas [18]. Hudgins B. et al.
comprobando la existencia de una estructura determinstica [6], encontraron en las seales EMGS una estructura
en estas seales durante la fase inicial de una contraccin inherente para cada tipo de contraccin, que a pesar de
muscular, con un valioso contenido de informacin mostrar una componente determinstica, tambin contiene
discriminante. As mismo, se han realizado trabajos en los una componente aleatoria. Una forma de retener esta
quesehautilizandoelestadoestacionariolassealesEMGS informacin estructural es segmentando la forma de onda
como en [4],[7] y [12], tcnica con la cual se simplific el transiente ydeterminarelconjuntodecaractersticasapartir
control de los dispositivos de prtesis, a pesar de que cierta deestadsticosevaluadosencadasegmento.Sinembargoesta
cantidad de informacin de la seal es ignorada y que esta naturaleza estocstica no estacionaria delaseal,justificla
fase estacionaria tiene una estructura temporal muy corta investigacin y aplicacin de nuevas tcnicas de anlisis de
debida a los cambios dinmicos en el reclutamiento de seales. As fue como el anlisis espectral empez a
unidades motoras y en el patrn de los impulsos elctricos considerarse como un complemento al anlisis temporal
necesarios para una contraccin sostenida [4]. Sin embargo clsico.
130 RevistaAvancesenSistemaseInformtica,Vol.4No.1,Juniode2007

Elxitoquesetengaenelcontroldeunsistemadeprtesis D X i = X i +1 - X i, i = 1, 2,.., I -1 (2)


est fuertemente influenciado por la etapa de procesamiento
Cruces por cero: Es una forma simple de medir la
de lassealesmotorasEMGS.Estaetapaconsisteenextraer
frecuenciadelaseal,puededeterminarsecontandoel
la informacin ms relevante, necesaria y suficiente para
nmerodevecesquelaformadeondacruzaporcero.
discriminar con el mnimo de error los diferentes
Se requiere un umbral para reducir el nmero de
movimientos requeridos en el sistema de prtesis. Esta
cruces por cero inducidos por ruido, y se selecciona
informacin se obtiene de la aplicacin de las llamadas
con respecto al voltaje de la seal V. El contador de
tcnicas de extraccin de caractersticas, dentro de las
cruces por cero se incrementa segn la comparacin
cuales se destacan como pioneras las basadas en anlisis
temporal por su sencillez y facilidad deevaluacin,debidoa entredosmuestrasconsecutivas xk y xk+1 as:
que no requieren ningn tipo detransformacin de la seal. xk > 0yxk +1 < 0, oxk < 0yxk+1 > 0,
Tambin estn las basadas en anlisis espectral, para las (3)
cuales se requiere de la transformacin de la seal, como la y xk - xk+1 0, 01V
transformada de Fourier de tiempo corto (STFT short time Cambiosdesignodependiente.Proveeotraformade
Fourier transform) con la cual se obtiene informacin de la medirelcontenidodefrecuenciaenlasealmediante
seal en el dominio tiempofrecuencia [5],[19],[20], aunque el conteo del nmero de veces que la pendiente de la
esta tcnica asume la condicin de estacionariedad en la forma de onda cambia de signo. Igualmente requiere
seal, lo cual no se cumple para las seales EMGS.Apesar de un umbral para reducir los cambios de signo de
de haberse conseguido con esta transformada un desempeo pendiente inducidos por el ruido. El contador de
aceptablemente bueno en el anlisis de este tipo de seales cambiosdesignoenlapendienteseincrementasegn
para efectos de clasificacin de patrones de movimientos, su lasrelaciones:
naturaleza estocstica no estacionaria ha hecho necesario xk > xk -1 yxk > xk+1o
explorartcnicasalternativasqueayudenamejorarelproceso
de extraccin de caractersticas. Una solucin a este xk < xk -1 yxk < xk+1y (4)
inconveniente se refleja en los ltimos trabajos de xk - xk +1 0, 01V o xk - xk-1 0,01V
investigacin en el rea deprocesamiento de seales con la
tcnica de anlisis espectral basada en la teora de Longitud de la Forma de Onda. Provee informacin
wavelets, mediante las transformadas wavelets: CWT de la complejidad de la forma de onda en cada
(Continuos Wavelet Transform), DWT (Discrette Wavelet segmento,estdadaporlasiguienteexpresin:
N
Transform) y WPT (Wavelet Packet Transform). Con esta
lo = Dxk , (5)
tcnica se consigue una representacin de la seal en los k=1
dominios tiempofrecuencia mucho ms compacta que la
donde, Dx
k = xk - xk-1 (diferencia entre valores de
conseguida por transformada de Fourier STFT, puesto que
permitedisponerdeinformacindelasealensusdominios muestras consecutivas). El valor resultante da una
originalytransformadodemanerasimultnea[19]. medida de la amplitud de la forma de onda, su
1) Caractersticas Temporales: Lascaractersticasbasadas frecuenciayduracinenunsoloparmetro.
en estadsticos temporales se evalan rpidamente, y son Otra tcnica de anlisis temporal de seales, utilizada en
extradasdecadasegmentodetiempoparacrearunconjunto [2],[14],[22],[17]y[21],sebasaenelmodeladoparamtrico
de caractersticas que representan el patrn de la seal Auto Regresivo (AR), el cual permite modelar series de
EMGS. Entre ellas se pueden mencionar como las ms tiempomediantelaexpresin:
P
importantes (utilizadas en [2],[4],[6],[7],[13] y [21]), las
siguientes: x(k ) = -a ix(k - i ) + e(k ), (6)
i=1
Valor medio absoluto. Estima el valormedioabsoluto
donde a i sonloscoeficientesAR, P elordendelmodelo,y
Xi , sobre cada segmento i de N muestras de la
seal,mediantelaexpresin: e(k) un trmino de error. En este caso los coeficientes
1 N forman el conjunto de caractersticas requeridas. Graupe y
Xi =
N
x
k=1
k , i = 1, 2,.., I, (1) Cline [10], fueron los primeros en clasificar seales EMG,
utilizando coeficientes AR como caractersticas para
sima
donde xk esla k muestraenelsegmento i ,e I clasificacin a partir de un solo canal. Sin embargo, este
eselnmerototaldesegmentos. parmetro tiene el inconveniente de suponer la condicin de
Valor medio absoluto de pendientes. Este es estacionariedad en la seal, lo cual no se cumple para las
simplemente la diferencia entre sumas de segmentos sealesEMGS.
2) Caractersticas Espectrales: La representacin tiempo
adyacentes, i e i+1 ,definidopor:
frecuencia de la seal provee informacin de la distribucin
AnlisisdeSealesEMGSuperficialesysuAplicacinenControldePrtesisdeManoRomo,RealpeyJojoa 131

de su energa en los dos dominios, logrndose una waveletmadre y(t ) sondeenergafinita,sedefine


descripcin ms completa del fenmeno fsico [5]. Sin laCWTdeunasealcomo:
embargo, una transformacin de la seal implica un costo
computacional adicional y un espacio de caractersticas de 1 t - b
CWT (a , b) = x(t )y dt a , b,
mayor dimensin. Las tcnicas ms utilizadas en la a -
a
extraccin de caractersticas espectrales han sido: la
(9)
transformada de Fourier STFT (Short Time Fourier
Transform), la transformada wavelet continua CWT, la con a ,b , a 0 y donde a es una variable
transformada wavelet discreta DWT y la transformada de de escala , quepermite comprimirodilatarlafuncin
paqueteswaveletWPT,comoveremosacontinuacin. y(t ) yestableceelgradoderesolucinconelcualse
analiza la seal x(t) b es una variable de
La transformada de Fourier de tiempo corto STFT
[5]. Asumiendo estacionariedad de la seal EMGs en traslacin que permite desplazar la funcin y(t ) y
perodos cortos de tiempo, laSTFTparaunsegmento determina su ubicacin sobre la seal analizada.
[ ]
de longitud finita Xi , i 0,L,L- 1 , consiste en Acorde a la definicin de la CWT puede concluirse
que ms que unarepresentacintiempofrecuencia,es
unaseriedetransformadasdeFourierdiscretasDFT's, unarepresentacintiempoescala.As,unadescripcin
indexadasconrespectoaTs y F ,delaforma: globaldelasealquedaradelasiguientemanera:las
STFT[k, m] STFT[kTs, mF] bajas frecuencias de la seal, se analizan con altas
L-1 (7) escalas y se obtiene buena resolucin en frecuencia,
= x[i ]g[i - k ]e- j 2p mi /L, mientrasquelosdetallesdelaseal,correspondientes
i=1 a las altas frecuencias, se analizan con bajas escalas,
donde g[i] eslafuncindelaventanadeobservacin con lo que se obtiene buena resolucin en tiempo. Su
de tamao fijo sobre la seal original, L la longitud aplicacin en anlisis de seales EMGS se puede
encontraren[21]y [25].
del segmento y T =kTs el tamao de paso de
La transformada wavelet discreta DWT [3],[24]. A
muestreo temporal. Si k =1 , la STFT se evaluar
nivel prctico y computacional, se prefiere la
sobre cada muestra temporal, si k = L, las ventanas discretizacindelaCWT,ylaformamsadecuadaes
sucesivasdeanlisisnosetraslapan.Unaventanatipo discretizando los valores de las variables a y b
Gaussiana brinda una buena resolucin tiempo
mediante una escala didica, esto se logra haciendo
frecuencia. Sin embargo, esta resolucin siempre
estar acotada inferiormente por la desigualdad a =2- j y b =k2- j detalmaneraqueunafuncin
conocida como principio de incertidumbre de waveletmadredelaforma:
Heisenberg,dadaporlaexpresin: 1 t - b
y a ,b(t ) = y a , b , a 0 (10)
1 a a
Dt Df = .(8)
4p
adquierelaforma:
Estatransformadaseutilizen[19]comotcnicade j
anlisis de seales EMGS para clasificacin de y j ,k (t ) = 2 2y ( 2 jt - k ) j,k Z (11)
patrones de movimientos y en otros trabajos como en
[4],[7],[13],[14] y [23] para comparar su desempeo Este conjunto de funciones se conocecomolaversin
en el anlisis y clasificacin de seales EMGS con didica discretizada de la funcin wavelet. El factor
tcnicas ms recientes como las basadas en 2j/2 se denomina constante de normalizacin y
transformadaswavelet. garantiza la condicin de ortonormalidad. A su vez,
La transformada wavelet continua CWT [3],[24]. Al una funcin wavelet madre y(t ) lleva asociada
igual que la STFT, la CWT hace uso de ventanas de
consigo una funcin escala f(t ), de tal manera que
observacin en su transformacin, pero ahora son
ventanas de tamao variable. La CWT expresa una ahora es posible aproximar cualquier funcin
seal x(t) continua en el tiempo, mediante una x(t)L2 () con una de estas funciones o con
expansin de trminos con coeficientes que son ambas,mediantelasiguienteexpresin:
proporcionalesalproducto internoentre,laseal x(t) x(t ) = c j ,kf (t ) + d j ,ky (t ) j ,k Z
k j k j
y versiones escaladas y trasladadas de una funcin
(12)
prototipo y(t ) conocida como wavelet madre.
donde cj,k son los coeficientes de escala o de
Partiendodequetantolaseal x(t) comolafuncin
132 RevistaAvancesenSistemaseInformtica,Vol.4No.1,Juniode2007

aproximaciny dj,k sonloscoeficienteswaveletode conservando los coeficientes de detalle dj,k en cada


detalle de la seal original x(t), con respecto a las nivel de descomposicin tal como se muestra en la
figura 1.a la transformada WPT reitera el procesode
funciones de escala f(t ) y wavelet y(t )
filtraje de igual manera sobre los coeficientes de
respectivamente.
detalle dj,k ,talcomosemuestraenlafigura1.b.
El desarrollo de algoritmos rpidos para evaluar la
DWT, llev a implementar los llamados ``bancos de
filtros'' [3]. As, estos algoritmos no se relacionan
La diferencia que se encuentra al comparar la
directamente con las funciones de escala f(t ) y
transformada WPT con las transformadas STFT y
wavelets y(t ),sinoconloscoeficientesdelosfiltros DWT es su capacidad de anlisis multiresolucin en
que las representan. Estos filtros corresponden a un los dominios tiempofrecuencia de la seal como se
filtro pasabajas y un filtro pasaaltas, tales que al muestra en lafigura2.sinembargoestaventajadela
hacer pasar la seal original por este banco de filtros WPT sobre las otras dos tcnicas implica un mayor
se obtiene a su salida los coeficientes cj,k y dj,k costocomputacionalyunamayordimensionalidaddel
espacio transformado. Siendo quiz esta la razn por
respectivamente. Este proceso de filtrado puede
la cual no ha sido tan utilizada como la DWT.
iterarse y as obtener una descomposicinadiferentes
Algunos de los trabajos donde se encuentra su
niveles. Basta hacer pasar los coeficientes de escala
aplicacinestnen[4],[7]y [21].
obtenidos del proceso de filtraje anterior por un par
idntico de filtros y as obtener los coeficientes del B. ReduccindeDimensionalidad
siguiente nivel. Asseobtienenloscoeficientes cn-1,k El inconveniente que se presenta en la tcnica de
extraccin de caractersticas mediante la aplicacin de
y dn-1,k , a partirdeloscoeficientes cn,k .Laideaes,
transformaciones de la seal es la alta dimensionalidad del
bien sea utilizar directamente los coeficientes que espacio resultante, lo que implicara conformar vectores de
resultandeladescomposicincomocaractersticasdel descripcinmuygrandes.Anteesto,lastcnicasdereduccin
vector descriptor, o realizar algn tipo de de dimensionalidad permiten preservar la informacin ms
manipulacin sobre estos y as obtener las relevante al tiempo que se reduce la dimensin del espacio
caractersticas descriptoras de los patrones EMGS. transformado[5]procedimientoesencialparaincrementarel
Esta tcnica de anlisis an siendo relativamente desempeo de la clasificacin. La reduccin de
nueva, ha sido ampliamente utilizada en seales dimensionalidad se puede lograr de dos maneras: por
EMGS como lo muestran los trabajos de proyeccin de caractersticas o por seleccin de

Figur a1a DescomposicinDWT. Figur a1b DescomposicinWPT


[4],[7],[11],[13],[14],[15],[17],[23]y [26]. caractersticas.
Engeneralseprefieretrabajarlatcnicadeproyeccinde
La transformada de paquetes wavelet WPT [3],[24]. caractersticas, pues de esta manera se conserva en el
El concepto de la WPT se fundamenta en que conjunto reducido la informacin contenida en cada una de
mientras la transformada DWT reitera el proceso de las caractersticas del conjunto original. Este es un
filtraje nicamente sobre los coeficientes de escala procedimiento automtico que norequieredelaintervencin
cj,k para llevarlos a niveles de menor resolucin y humanaparalaseleccindelascaractersticasfinales.Dentro
AnlisisdeSealesEMGSuperficialesysuAplicacinenControldePrtesisdeManoRomo,RealpeyJojoa 133

de esta tcnica el mtodo ms utilizado es el anlisis de funcin de las probabilidades a priori de cada clase y
componente principal (PCA Principal Component la probabilidad condicional, resultante de la
Analysis), tambin conocido como transformada de distribucindelasmuestrasdeentrenamientoencada
KarhuemnLoeve o descomposicin de valores singulares clase y evaluada segn el teorema de Bayes. Su
(SVD Singular Value Decomposition), que consiste en un aplicacin en clasificacin de seales EMGS se
mapeo lineal del conjunto original de caractersticas en un encuentraen[14].
conjunto reducido de caractersticas decorrelacionadas, a la
vez que se minimiza el error cuadrtico medio entre los dos Anlisis discriminante lineal (LDALineal
conjuntos[7],[28], pues la proyeccinserealizasobrebases discriminant analysis). Es otromtodoestadsticoque
ortonormales que son los autovectores de la matriz de discrimina la separabilidad de clases en forma lineal,
covarianzas del conjunto original. Las caractersticas locualnoseajustademaneraeficientealospatrones
transformadas son ordenadas de acuerdo a sus EMGSporsudinmicaestocstica.Sinembargo,ha
varianzas,reflejadosudecrecienteefectividadenlarepresen

Figur a 2.Resolucionesdeanlisisespectral. a) STFT, b) DWT y c) WPT.

cin del conjunto original. El anlisis PCA es uno de los sidoutilizadaentrabajosdeinvestigacinparaefectos


mtodos ms efectivos en aplicaciones de reconocimiento de comparacinconotrastcnicascomoen[2],[4]y [7].
patronesyampliamenteutilizadoconsealesEMGScomose
muestra en [7],[13],[17] y [23]. Por su parte, la tcnica de Redes neuronales artificiales (ANN Artificial Neural
seleccin de caractersticas se busca conformar el mejor Network). Es un sistema computacional inspirado en
subconjunto de caractersticas a partir de la seleccin de las lascaractersticas de aprendizaje y estructura de la
mejores caractersticas del conjunto original. Su red neuronal biolgica. Las redes ANN tienen
inconvenienteesquepartedelainformacin contenidaenel caractersticas como: generalizacin y habilidad para
conjuntooriginalsepierdedefinitivamenteporeldescartede aprender de la experiencia sin requerir un modelo
algunas de sus caractersticas, adems requiere de la matemtico a priori de las caractersticas de la seal,
intervencinhumanaparaelprocesodeseleccinodescarte. adaptacinaloscambiosdecondicionesambientalesy
habilidad para procesar datos degradados o
C. ClasificacindePatrones[5],[20]
incompletos, lo que las hace apropiadas para seales
Incrementar la precisin en el control de una prtesis crticas como las seales EMGS. Sin embargo, las
requiere tambin mejorar en las tcnicas de clasificacin de redes ANN requieren de un gran nmero de muestras y
patrones,partecomplementariaynomenosimportanteenel mucho tiempo de entrenamiento para un aprendizaje
diseo de un sistema de prtesis completo. Existen una adecuado.Suaplicacinenclasificacinde sealesEMGSse
variedadde clasificadores,deloscualessepuedendestacar:el puedeencontraren [2],[4],[7],[11],[15],[17], [21] y [26].
clasificadores Bayesiano y los basados en redes neuronales,
lgicadifusayredesneurofuzzy.
Lgica difusa . Son sistemas de inferencia, yal igual
que las ANN simulan el comportamiento de decisin
Clasificador Bayesiano. Es el mtodo estadstico humana. Con posibilidad de introducir la experiencia
clsico. Donde se estima la probabilidad a posteriori de un experto en laelaboracindereglasdedecisin,
de la pertenencia de una muestra de prueba a una de en un esquema IF_THEN. Estos sistemas se pueden
las clases dadas. Esta probabilidad es evaluada en clasificar en dos categoras: la primera categora,
134 RevistaAvancesenSistemaseInformtica,Vol.4No.1,Juniode2007

incluye modelos lingsticos basado en coleccin de Hudgins, concluyeron que la precisin en la clasificacin se
reglas IF_THEN, cuyos antecedentes y consecuentes lograenelordenprogresivoTD"STFT"DWT"WPT.En
usan valores fuzzy (modelo Mamdani) y la segunda este mismo ao, Englehart et al. [13] y[14] propusieron un
categora,estabasadaen sistemastipoTagagiSugeno esquemadeclasificacincontinuabasadaenwaveletsparael
yusaunaestructuradereglasquetienenantecedentes control mioelctrico multifuncional usando la transformada
fuzzy y consecuentes funcionales. Consiste en una WPT en la extraccin de caractersticas y luego sometidas a
aproximacin no lineal, a partir de una combinacin una reduccin de dimensionalidad con PCA. Sus resultados
de muchos sistemas lineales mediante la fueronaplicadosenladiscriminacindeseismovimientosde
descomposicin del espacio completo de entradas en mano y mueca (mano cerrada, mano abierta, flexin de
espacios fuzzy parciales y la representacin de cada mueca, extensin de mueca, desviacin cubital, y
espacio de salida con una ecuacin lineal. Su desviacin radial). Concluyeron, que con cuatro canales se
aplicacin en clasificacin de seales EMGs se obtiene mejores resultados que con dos canales o uno, y que
encuentraen[2]y [13]. se puede lograr una sorprendente precisin en la
discriminacinutilizandoelestadoestacionariodelasseales
Sistemas Neurofuzzy. La combinacin de redes EMGS.
neuronales y lgica difusa permite una relacin En 2002, Ferguson S y Dunlop G. [14] desarrollaron un
simbitica en la cualseaprovechaelconocimientode sistema que permiti identificar cuatro tipos de agarre
un experto y la capacidad de aprendizaje y eficiencia complejos (esfrico, cilndrico, depinzaylateral)apartirde
computacionaldelaredneuronal,lograndounsistema seales EMGS utilizando en la extraccin de caractersticas
dedecisionesmsinteligentes.Algunosdelostrabajos las tcnicas STFT, AR, DWT y la deconvolucin. Para la
realizadosenclasificacindesealesEMGsutilizando clasificacin se probaron mtodos estadsticos (Distancias
tcnicasneurofuzzyseencuentranen[13]y [23]. EucldeaydeMahalanobis)yredesneuronales.Concluyeron
quelamismacombinacindetcnicastantodeextraccinde
IV. LASSEALESEMGSYELCONTROLDE caractersticas como de clasificacin de patrones no tiene el
PRTESISDEMANO mismo desempeo para todos los pacientes, por lo que el
Sonmuchoslosgruposalrededordelmundoqueinvestigan dispositivo deber adaptarsepara cada paciente. Elhechode
laaplicabilidaddesealesEMGSenelcontroldeprtesisde tener que adecuar la prtesis a cada paciente pas a ser un
mano. Segn Zecca [5], en 1948 Reiter R. fueelprimeroen puntodeintersparalosinvestigadoresquienesvislumbraron
utilizar seales EMGS para controlar un dispositivo de su solucin en el uso de redes neuronales y lgica difusa
prtesis simple. [28], con modelado AR y discriminacin afirmando que las EMGS no son seales estrictamente
Bayesiana, fueron capaces de discriminar seis clases de repetibles y muchas veces an contradictorias, y que los
movimientos con xito del 99%. Desafortunadamente estos sistemas con lgica difusa pueden tolerar dichas
resultados solo se lograban despus de muchas horas de contradicciones, adems de permitir detectar patrones en los
entrenamiento. Ms tarde, el uso de redes neuronales datos que con otras tcnicas no es tan fcil. En este sentido,
artificiales (ANN) permiti reducir el tiemporequeridopara Zhang et al. [23] propusieron una tcnica de clasificacin
elentrenamiento. neurofuzzyconlacombinacinDWT/SVDenextraccinde
caractersticas y fue aplicada al reconocimiento de seis
En 1993, Hudgins et al. [6] propusieron por primera vez movimientos (extensin decodo,flexindelcodo,pronacin
unaestrategiadecontroldedispositivosartificialesutilizando de mueca, supinacin de mueca, mano abierta y mano
el estado transiente de las seales EMGS, logrando cerrada) con mejores resultados que los obtenidos con
discriminar cuatro movimientos diferentes (extensin del mtodostradicionalesutilizadoshastaentonces.Porsuparte,
codo,flexindemueca,yrotacinhumeralradial/lateral),a Yucel K. y Mehmet K. [13], propusieron la combinacin
partir de un solo electrodo bipolar y con extraccin de DWT/PCA y clasificacin fuzzy (fuzzy cmeans FCM,
caractersticas temporales y clasificacin de movimientos possibilistic cmeans PCM y fuzzy Knearest FKNN) para
mediante una Red Neuronal ANN de dos capas. A pesar de seales EMGS. Se aplic en la ejecucin de cuatro
suslogros,elerrorde discriminacinansuperabael10%. movimientos (flexin y extensin de codo, pronacin y
En 1999, Englehart et al. [4] propusieron la clasificacin supinacin de antebrazo) sobre un dispositivo de prtesis.
de seales EMGS en su fase transiente, siendo pioneros en Concluyeron que las tcnicas por ellos aplicadas daban
introducir la transformada wavelet en la representacin mejores resultados de clasificacin que los logrados con
tiempofrecuencia dela seal. Analizaron las sealesEMGS caractersticas temporales, coeficientes AR y coeficientes
correspondientesacuatropatronesdemovimientosdelcodoy cepstralesutilizadashastaentonces.
antebrazo, extrayendo caractersticas espectrales con STFT, En 2004, Betancourt et al. [21] presentaron una
DWT y WPT y comparndolas con las caractersticas del metodologa para el reconocimiento de patrones de
dominio temporal TD (Temporal Domain) propuestas por movimiento a partir de seales EMGS utilizando: anlisis
AnlisisdeSealesEMGSuperficialesysuAplicacinenControldePrtesisdeManoRomo,RealpeyJojoa 135

temporal, AR, FFT, STFT y wavelets para construir un resultados altamente satisfactorios bien sea utilizando seales EMG
conjunto hbrido de caractersticas y mediante una red intramusculares o seales EMG superficiales (EMGS), aunque se
neuronal en configuracin backpropagation probar la prefierelassealesEMGSporrazonesyadescritas.Deigualmanera
clasificacin de dichos patrones. Por otra parte, Kilby et al. sepuedeutilizarbienseaelestadotransienteoelestadoestacionario
[30]compararoneldesempeodediferentesfamiliaswavelets delassealeselectromiogrficas.
en el anlisis de seales EMGS mediante las transformadas Lacorrectaubicacindelasregionesmuscularespararecogerlas
DWTyWPT.Conbaseenelerrordeaproximacinobtenido muestrasdesealesEMGSesesencialenlacorrectadiscriminacin
tras la descomposicin y reconstruccin de una seal de movimientos, as como el nmero de electrodos o canales
concluyeron que las familias wavelets: Daubechies, Symmlet implicar disponer de mayor o menor informacin para su
yCoifletsonlasmsadecuadasparaelanlisisdeestetipode clasificacin.
seales. Los resultados de los trabajos ms recientes muestran que la
En 2005, Carreo I. y Vuskovic M. [15] propusieron un conformacindevectoresdescriptoresparaunamejordescripcin de
mtodo de extraccin de caractersticas basado en el clculo patrones EMGS se consigue mediante la combinacin de
de los tres primeros momentos a partir de tressecuenciasde caractersticas tanto temporales como espectrales, preferiblemente
transformadas wavelet. Su mtodo se aplic en la obtenidasmediantetransformadas wavelet.
clasificacin de patrones EMGS de aprehensin o agarre Siempre que se tengan caractersticas obtenidas mediantealguna
(cilndrico, esfrico, lateral y de precisin), mostrando ser transformacindelaseal,sermuyapropiadoaplicaralguna tcnica
significativamente mejor que el basado en la transformada dereduccindedimensionalidadcomoPCA.
Thompson de tiempo corto STTT de tres ventanas. En la Para concluir, en la etapa de clasificacin, se pueden fusionar
clasificacin utilizaron la distancia Mahalanobis basada en tcnicascomolasredesneurofuzzyparaaprovecharlasventajasde
clasificadores ARTMAP (Adaptive Resonant Theory based cada una, as como su capacidad de readaptacin o reaprendizaje
algorithm for supervised incremental learning and segnloscambiosdinmicosquesepresentanenlassealesEMGS
classification). As mismo, Wang X. y Cui J. [26] usaron la debidosalosestadospsicofsicosdelapersona,yaslograrun mejor
combinaronDWT/ANNensealesEMGSparaidentificacin desempeoensusistemadeprtesis.
y clasificacin de ocho patrones diferentes de movimientos
conunaaltatasadeidentificacin.CarreoI.yVuskovicM. REFERENCIAS
[16], innovaron tambin en su trabajo previo, proponiendo [1] AlonsoA.,SanchezH.,HurtadoE.,SteinzD.,LiptakL.,EntrenadorMioelctricode
ahoralaevaluacindelosprimeroscincomomentosenlugar PrtesisParaAmputadosdeBrazoyMano,HospitalclnicoUniversitario,Universidad
deValladolid.MapfreMedicina.Vol13,pp.1119,2002.
deaplicarPCAparareduccindedimensionalidad.Sunueva [2] HargroveL.,EnglehartK.,HudginsB.,AComparisonofSurface andIntramuscular
propuesta se aplic enclasificacindecuatrotiposdeagarre MyoelectricSignalClassification,Proc.of the27thAnnualConf.Int.pag.5009 5012.
IEEEEMBS2005.
(cilndrico, esfrico, de precisin y lateral). Por otra parte, [3] Ali N. Akansu and Paul R. Haddad. Multiresolution signal decomposition
Englehartetal.[2],comparalaclasificacindeseispatrones Transforms, subbands, and wavelets. Second edition New Jersey Institute of
de movimientos a partir de seales EMG superficiales y Technology,Newark,NJ.
[4] Englehart K., Hudgins B., Parker P., Stevenson M., Classification of the
seales EMG intramusculares, asumiendo en las ltimas Myoelectric Signal Using Timefrecuency Based Representations. Institute of
menos crosstalk muscular, lo cual permitira puntos de BiomedicalEngineering,UniversityofNewBrunswick,Canada.1999.
[5] ZeccaM.,MiceraS.,CarrozaM.,DarioP.,ControlOfMultifunctionalProstheticHands
controlmsindependientes.Losresultadosmostraronqueno By Processing The Electromyographic Signal, Critical Reviews in Biomedical
hay diferencia significativa en la precisin de clasificacin. Engineering.Vol.30,pp.459 485.2002.
Liu et al. [11], desarrollaron un mtodo de aprendizaje en [6] HudginsB.,ParkerP.,ScottRN.,NewStrategyforMultifunctionMyoelectricControl,
IEEETransBiomedEng.Vol.40,pp.82 94,1993.
tiempo real, aplicando la transformada wavelet en la [7] EnglehartK.,HudginsB.,andParkerP., AWaveletBasedContinuousClassification
extraccin de caractersticas y una red ANN en la SchemeforMultifunctionMyoelectricControl.DepartmentofElectricalandComputer
EngineeringandtheInstituteofBiomedicalEngineering.UniversityofNewBrunswick,
clasificacin. El mtodo se aplic para discriminacin de Canada.Vol.48,pp.302 311,2001.
cinco diferentes tipos de movimientos y hacer control en [8] LoweryM.,StoykovN.,TafloveA.,yKuikenT.,TesisprofesionalAMultipleLayer
tiempo real de una prtesis. Para esto, analiz tanto la fase FiniteElementModeloftheSurfaceEMGSignal.IEEETransactionsonBiomedical
Engineering,vol.49,no.5,pp.446454,May2005.
transitoria como la estacionaria de la seal. Sus resultados [9] Nishikawa D., Yu W., Yokoi H., y Kakazu Y, EMG prosthetic hand controller
mostraron que la discriminacin de movimientos mejorada discriminatingtenmotionsusingrealtimelearningmethod,IEEE/RSJIROS.1999.
[10]GraupeD.,yClineW.,FunctionalseparationofEMGsignalsviaARMAidentification
sustancialmenteconestaformacombinadade anlisis. methodsforprosthesiscontrolpurposes.InIEEETrans.SystemsManandCybernetics,
volume5,252259.1975.
V. CONCLUSIONES [11]LiuH.,ChenX.,ChenY.WaveletTransformandReal TimeLearningMethodfor
Myoelectric Signal in Motion Discrimination. International Symposium on
LaoptimizacinenelanlisisdesealesEMGSysuaplicacinen MeasurementTechnologyandInteligentInstruments.Conf.Ser.Vol.13,pp.25 253,
elcontroldeprtesisactivasseguirsiendoobjetodeinvestigaciny 2005.
[12]Crawford B., Miller K., Shenoy P.,y Rao R., RealTime Classification of
futurosdesarrollos,usandocadaveztcnicasmsapropiadasparael Electromyographic Signals for Robotic Control. Technical Report No. 20050305,
anlisis de las seales y aprovechando al mximo los avances DepartmentofComputerScience,UniversityofWashington, March2005.
[13]Ycel K., Mehmet K., EMG Signal Classification Using Wavelet Transform And
tecnolgicos. FuzzyClusteringAlgorithms.IstanbulTechnicalUniversity,FacultyofElectricaland
El control de prtesis virtuales mioelctricas se puedelograrcon Electronics Engineering, Department of Electronics and Communication Engineering,
136 RevistaAvancesenSistemaseInformtica,Vol.4No.1,Juniode2007

Ayazaga, Istanbul, Turkey 2002.[Fecha consulta nov 2006]. Disponible en: Cauca.IngenieroenElectrnica,UniversidaddelCauca.MagsterenIngeniera
http://eleco.emo.org.tr/eleco2003/ELECO2003/bsession/B802.PDF. rea Sistemas Electrnicos, Universidad de Sao Paulo, Brasil Doctor en
[14]FergusonS.,DunlopGReg.,GraspRecognitionFromMyoelectricSignals.Australian IngenierareaSistemasElectrnicos,UniversidaddeSaoPaulo,Brasil reas
conf. on Robotics and Automation, Auckland, 2002.[Fecha de consulta nov 2006]. deInters:algoritmosadaptativosyprocesamientodeSeales
Disponible en: http://www.araa.asn.au/acra/acra2002/Papers/Ferguson
Dunlop.pdf.
[15]CarreoI.yVuskovicM.,Wavelet_BasedFeatureExtractionFromPrehensileEMG
Singals.Universidad Pblica de Navarra, Pamplona, Spain.2005.[fechadeconsulta
nov. 2006]. Disponible en:
http://medusa.sdsu.edu/Robotics/Neuromuscular/Our_
publications/Sweeden2005/Sweden.pdf.
[16]CarreoI.yVuskovicM.,WaveletTransformMomentsForFeatureExtraction
From Temporal Signals. Universidad Pblica de Navarra, Pamplona, Spain.
2005.[Fecha de consulta nov. 2006]. Disponible en:
http://medusa.sdsu.edu/Robotics/Neuromuscular/Our_
publications/Barcelona2005/Paper575Revised.pdf.
[17]Zhang X., Yang Y., Xu X. Zhang J., Gao Z., Hu T., Chen T., Chen Z.
Clinical Detection and Movement Recognition of NeuroSignal.Journal
ofZhenjianUniversitySCIENCE.pp.272279.2004.
[18]Deluca C., Physiology and Mathematics of Myoelectric Signals. IEEE
Trans.Biomed.Eng.Vol.BME26,pp:313325,1079.
[19]Sijiang D., Thesis profesional Feature Extraction For Classification of Perhensile
Electromyography patterns. Master's Degree of Computer Science San Diego State
University,2003.
[20]ReazM.,HussainM.,MohdYasinF.,TechniquesOfEmgSignalAnalysis:Detection,
Processing, Classification And Aplications. Faculty of Engineering, Multimedia
University,63100Cyberjaya,Selangor,Malaysia.Vol.8,pp.11 35,2006.
[21]Betancourt G., Giraldo E., Franco J. Reconocimiento de PatronesdeMovimientoa
Partir de Seales Electromiogrficas. Grupo de Investigacin en Instrumentacin y
control. ScientiaetTcnica. ScientiaetTechnica.Vol26,pp. 53 58,2004.
[22]BirkedalL.,ColletT.,DagilisS.,DelavernheG.,EmborgJ.,JrgensenA.Pattern
RecognitionofUpperbodyElectromyographyForControlofLowerlimbProstheses.
InstituteofElectronicSystemsAalborgUniversity,June2002.
[23]ZhangX.,YangY.,XuX.ZhangMing. WaveletBasedNeuroFuzzyClassificationfor
EMG Control. Department of Automation, Shanghai Jiaotong University, Shanghai
200030,China.Vol2,pp.1087 1089,2002.
[24]AlfredMertins.SignalAnalysis:wavelets,filterbanks, Timefrequencytransformand
applications.Ed.JohnWiley&SonsLtda1999.
[25]Ismail A. Y Asfour S., Continuos Wavelet Transform Application to EMG Signal
DuringHumanGait.Dept.OfIndustrialandBiomedicalEng.UniversityofMiami.pp:
325329.IEEE1998.
[26]Wang X. y Cui J., The Application of Wavelet TransformandNeuralNetworkto
SurfaceElectromyographicSignalforPatternRecognition.EngineeringinMedicineand
Biology.Proc.ofthe27thAnnualInt. Conf.Shanghai,China.pag.5009 5012.IEEE
EMBS2005.
[27]MiceraS.,SabatiniA.,DarioP.,RossiB.,AhybridapproachforEMGpatternanalyis
for classification of arm movements usingstatisticalandfuzzytechniques.MedEng
Phys.Vol21pp303311.1999.
[28]GraupeD,SalahiJ,KohnKH.,MultifunctionalProsthesisandOrthosisControlVia
Microcomputer identification of temporal pattern differences in singlesite myoelectric
signals.JBiomedEng.Vol.4,pp.17 22,1982.
[29]EnglehartK.,HudginsB.,andParkerP.,ImprovingMyoelectricSignalClassification
UsingWaveletPacketsandPrincipalComponentAnalysis.Proc.Of21stAnnualInt.
Conf.oftheIEEEonEng.InMed.AndBiol.Soc.Atlanta1999.
[30]Kilby J., Hosseini G., Wavelet Analysis of Surface Electromyography
Signals. Electrotechnology Department, Auckland University of
Techology, New Zealand. Proc. Of 26th Annual Int. Conf. of the IEEE
EMBS,SanFrancisco,CA.2004.

Har old A. Romo R. Profesor Asociado, Dpto. de Telecomunicaciones de la


Facultad de Ingeniera Electrnica y Telecomunicaciones de Universidad del
Cauca. Licenciado en Matemticas, Universidad de Nario. Ingeniero en
Electrnicay Telecomunicaciones,UniversidaddelCauca. EspecialistaenRedes
y Servicios Telemticos, Universidad del Cauca. Estudiante de Maestra en
Ingeniera,reaElectrnicayTelecomunicacionesdelaUniversidaddelCauca.
reasdeInters:procesamientodeSealesycomunicacionesdigitales

J udyC.RealpeC.ProfesoraAsistente,Dpto.deElectrnica,Instrumentaciny
Control de la Universidad del Cauca. Ingeniera en Electrnica y
Telecomunicaciones de la Universidad del Cauca. Estudiante de Maestra en
Ingeniera,reaElectrnicayTelecomunicacionesdelaUniversidaddelCauca.
reasdeInters:procesamientodeSealesyalgoritmosadaptativos

PabloE.J ojoaG.ProfesorAsociado,Departamento deTelecomunicacionesde


laFacultaddeIngenieraElectrnicayTelecomunicacionesdeUniversidaddel