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
(EMGS) son fuente de infor macin muy apr opiada par a el
contr oldedispositivosvir tualescomolaspr tesisdemano.Las
r azonespar autilizar estassealesobedeceadifer entesaspectos
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
de una per sona a otr a, y fcil r emocin par a efectos de
mantenimiento y calibr acin. En este ar tculo, se pr esenta una
r evisindelastcnicasmsutilizadasenanlisisyextr accinde
car acter sticasdiscr iminantesdelassealesmotor asEMGscon
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
tr ansfor madaswavelets,ysuaceptacinpar apr ocesar estetipo
desealessegnsudesempeoenlaclasificacinyejecucinde esencialescomo:flexibilidad,estticacosmtica,pesoligeroy
movimientossobr elapr tesis.Asmismo,sehacer efer enciade
los tr abajos ms r ecientes de desar r ollo e investigacin en el
campo del pr ocesamiento de seales biomdicas EMGs y sus
aplicacionesencontr olmioelctr ico.
Palabras ClaveAnlisis Wavelets, Contr ol Mioelctr ico,
Pr tesisdeMano,SealesEMGS.
AbstractThe sur face Electr omyogr aphic signals (EMGS)
ar eappr opr iatesour ceofinfor mationtovir tualdevicescontr ol
as the hand pr osthesis. The r easons to use this signals obey to
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
pr osthesis, the r eusability of the device fr om one per son to
another , and the easiness to r emove it for maintenance or
calibr ation pur poses. Thisar ticlepr esentsar eviewofthemost
used techniques in analysis and extr action of discr iminant
featur esfr omtheEMGsdr ivingsignalsinor der toapplythem
in vir tual handpr osthesiscontr ol,emphasizingintheevolution
fr omtheclassictempor altechniquestothemostr ecentspectr al
techniques based on the wavelets tr ansfor med and, its
acceptance to pr ocess this kind of signals accor ding to their
per for manceintheclassificationandcar r yingoutofmovements
over the pr osthesis. As well, it makes r efer ence to the most
r ecent wor ks on development and r esear ch in the biomedical
signals EMGs pr ocessing field and its applications in
myoelectr iccontr ol.
Key wordsWavelets Analysis, Myoelectr ic Contr ol, Hand
Pr osthesis,EMGsSignals.
I. INTRODUCCIN
C ON el avance tecnolgico, cada vez se logra mejorar la
construccindesistemasdeprtesiscomoextensionesde
algn miembro del cuerpo humano con caractersticas
multifuncionalidad.Igualmente,lacienciaylaingenierahan
realizadograndesavancesenelreadeprocesamientodigital
de seales biomdicas como las seales electromiogrficas
superficiales (EMGS) y sus aplicaciones en el control de
dispositivosactivoscomolasprtesismioelctricas.
Una prtesis mioelctrica es un sistema accionado por
servomotores que se gobierna a partir de seales EMG, bien
sean intramusculares, capturadas mediante agujas o
superficiales, recogidas en el mun del paciente mediante
electrodos [1]. Su desempeo, sinimportarquetipodeseal
seutiliceesigualmenteaceptablecomolomuestranHargrove
L. et al. en [2]. Este tipo de prtesis son cada vez ms
aceptadas por personas con amputacin de mano, por que
permite a la persona quien la utiliza su rehabilitacin para
desempearse activamente en su campo laboral. Para lograr
estoserequieretambindelacompaamientocontinuodeun
grupodeprofesionalesenelreamdica,deladisponibilidad
y esfuerzo mental y fsico del paciente para obtener los
mejoresresultados.
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
naturalidad de los ejecutadosporlamanohumana,lamenor
complejidad de operacin como sistema y con el menor
esfuerzo fsicomental por parte del paciente. Para esto, es
esencial un adecuado proceso de anlisis de las seales
motorasEMGS.
La evolucin en las tcnicas de procesamiento de las
seales de naturaleza transitoria y no peridica como las
EMGS ha jugado un papel importante en los ltimos aos,
partiendo de tcnicas bsicas y sencillas como el anlisis
temporal, pasando por el anlisis espectral mediante la
transformada de Fourier hasta llegar al anlisis espectral
multiresolucinmediantelatransformadawavelet [3].Esta
ltima tcnica adquiere cada vez mayor importancia en
muchas reas de la ciencia y en particular en anlisis de
seales biomdicas para las cuales se ha comprobado un
mejordesempeoquelastcnicasbasadasenlatransformada
deFourier[4].
II. LASSEALESEMGS
LassealesEMGsuperficiales(EMGS),sonesencialmente
un patrn unidimensional, por lo que cualquier tcnica de
procesamiento de sealesparaextraccindecaractersticasy
reconocimiento de patrones se puede aplicar a este tipo de
seales. La informacin extrada de las seales EMGS, es
seleccionada de tal manera que se minimice el error en el
controldelossistemasdeprtesismioelctricas.Lanecesidad
deunarpidarespuestadelaprtesislimitalalongituddelas
muestras de la seal sobre las cuales se extraen las
caractersticas.Latendenciaenelcontroldeprtesisapartir
de seales EMGS obedece a que se constituye en la tcnica
ms sencilla de implementar por su facilidad en la
recoleccin sin intromisin directa sobre el organismo del
usuario, remocin de electrodos y equipo para efectos de
mantenimiento y/o calibracin y su reutilizacin de una
personaaotra.
A. AdquisicindeSealesEMGS
Las seales EMGS, son colectadas tpicamente mediante
electrodos bipolares de superficie, ubicados sobre la piel.
Estas han sido utilizadas para el control de prtesis de
miembros superiores desde 1948 [5]. Estas seales proveen
informacinsobrelaactividadneuromuscularquelasorigina,
siendo esencial esta informacin en: diagnstico clnico,
rehabilitacin y como fuente de control para dispositivos
activos y esquemas de estimulacin elctrica funcional [4].
Hargrove L. et al. [2], realizaron un trabajo comparativo de
clasificacin con seales EMG superficiales e
intramusculares, concluyendoquelainformacin extradaen
lasdosclasesdesealesesigualmentevaliosa,sinencontrar
diferencias significativas en su capacidad de clasificacin.
Este resultado es importante, ya que brinda la seguridad de
continuarutilizandolassealesEMGSenfuturostrabajosde
investigacinaplicada.
Las seales EMGS son generadas por la contraccin
muscular, por loque su adquisicinrequieredeunacorrecta
identificacin de las regiones musculares comprometidas en
la ejecucin de los movimientos a clasificar. Debido a la
elevadaresistenciaelctricanaturaldelapiel,serecomienda
la aplicacin de un gel que mejore la conductividad adems
delograrseunabuenasuperficiedecontactoyadherenciacon
los electrodos. A pesar de estas disposiciones, las seales
recogidas sern demasiado dbiles, por lo que se hace
necesariounprocesamientopreviodefiltrajeyamplificacin
antes de su anlisis. Asmismo,segnlacomplejidaddelas
prtesissernecesariodisponerdeunmayoro menornmero
de canales o electrodos de recoleccin. Estos aspectos se
detallanacontinuacin.
1. Preprocesamiento. La amplitud tpicadelasseales
EMGS es de 06mVporloqueserequierepasarlas
por un amplificador diferencial de alta ganancia
(unas 5000 veces), evitando distorsiones de la
informacin contenida en la seal. Una vez
amplificada la seal, se debe considerar la
eliminacin de las componentes de ruido de alta
frecuencia y las provenientes defuentes delentorno,
como la componente tpica de ruido de baja
frecuencia introducida por la red de distribucin
elctrica de 60 Hz. Para eliminar esta ltima
componente de ruido, lo mas comn es utilizar un
filtro tipo notch aunque no sea lo ms
recomendable, ya que este podra eliminar oatenuar
tambin componentes de frecuenciaconinformacin
til dada la mayor concentracin de energa en las
seales EMGS entre los 50 Hz y 150 Hz,aunquesu
canal de informacin va de los 20 Hz a los 500 Hz
[6].
2. Posicinynmerodeelectrodos.Laposicindelos
electrodos es muy importante en la recoleccin de
registros EMGS con propsitos de control
mioelctrico.Porello,serecomiendalaasistenciade
personal mdico especializado, quienes pueden
identificar con mayor precisin las regiones
muscularesconmayorcompromisoenlaejecucinde
los movimientos de inters. Hargrove L. et al. [2],
demuestran que unas regiones sonmejoresqueotras
paralaubicacindeloselectrodosdisponiendopara
ello de 16 electrodos alrededor del antebrazo y por
comparacin en la precisin de clasificacin se
identifican posiciones de los electrodos con los
mejoresresultadosdediscriminacinparaelconjunto
de movimientos estudiados. Sin embargo, la
generalizacin de dichas posiciones no es
recomendable para todos los pacientes, as que el
procedimiento de identificacin de las regiones
musculares debe realizarseparticularmente con cada
paciente.
 AnlisisdeSealesEMGSuperficialesysuAplicacinenControldePrtesisdeManoRomo,RealpeyJojoa
Elnmerodeelectrodoscorrespondealnmerode
canalesaprocesaryesteesunparmetroesencialen
el desempeo del clasificador y en el nmero de
movimientosdiferentesaidentificar.Paradesarrollar
unaprtesisbioelctricamultifuncional,esnecesario
extraer la mayor cantidad de informacin de cada
canal, o asignar una funcin de control a una
combinacin especfica de seales del sistema
multicanal[6].Deestaforma,esposibleaumentarel
nmero de movimientos diferentes a ejecutar en un
sistema de prtesis a partir de la disposicin de un
mayornmerodecanales.
EnglehartK.,etal.[7],muestranensusresultados
quelaprecisinenlaclasificacindepatronesEMG
paraelcontrolmioelctricomultifuncionalesmayor
con cuatro canales que con solo dos canales o uno.
Sin embargo, entre mayor sea el nmero decanales
mayor ser el retardo en la respuesta de la prtesis,
debido alagrancantidaddeinformacinaprocesar
y mayor ser tambin la interferencia entre canales
por la cantidad significativa decrosstalkentrelos
msculos debido a factores como: el arreglo
geomtrico de los msculos y la propagacin
dispersivadelasealenelvolumenconductorentre
otros [8],[9]. Estos podran ser fenmenos que en
lugardemejorarlaclasificacinpodranempeorarla,
obligando a buscar adecuado compromiso entre
precisin, multifuncionalidad y velocidad de
respuesta.
B. EstadosdelasSealesEMGS
EnlageneracindesealesEMGS,durantelacontraccin
muscular, se identifican dos fases o estados uno, el estado
transiente, correspondiente a los instantes de la rfaga de
actividad mioelctrica que acompaa al esfuerzo muscular
repentinoenlaejecucindeunmovimientoydos,elestado
estacionario, correspondiente al tiempo del esfuerzo
muscular realizado durante un movimiento el cual es
sostenido[4]. Algunos de los trabajos deinvestigacincomo
en [6],[7],[10] y[11], se han enfocado en la clasificacin de
acciones discretas generadas por la mueca, los dedos o el
codo, analizando el estado transiente de las seales EMGS,
comprobando la existencia de una estructura determinstica
en estas seales durante la fase inicial de una contraccin
muscular, con un valioso contenido de informacin
discriminante. As mismo, se han realizado trabajos en los
quesehautilizandoelestadoestacionariolassealesEMGS
como en [4],[7] y [12], tcnica con la cual se simplific el
control de los dispositivos de prtesis, a pesar de que cierta
cantidad de informacin de la seal es ignorada y que esta
fase estacionaria tiene una estructura temporal muy corta
debida a los cambios dinmicos en el reclutamiento de
unidades motoras y en el patrn de los impulsos elctricos
necesarios para una contraccin sostenida [4]. Sin embargo
129
sus resultados son concluyentes al demostrar que se puede
lograr un desempeo excepcionalmente bueno en la
clasificacin continua de patrones mioelctricos de
movimientos, usando el estado estacionario de las seales
EMGS[7].
III. PROCESAMIENTODELASSEALESEMGS
Laintroduccindelprocesamientodigitalenelanlisisde
sealesEMGSsugieresudigitalizacinmedianteunproceso
demuestreo.Latasademuestreoenlaprcticapuedeserde
1000Hzconelfinderegistrarcomponentesdefrecuenciaen
la seal hasta los 500 Hz segn el teorema de Nyquist, o
muestrear a una frecuencia de 500 Hz para registrar
componentes de frecuencia hasta los 250 Hz. No se requiere
de mayores tasas, puesto que la mayor concentracin de
energa se encuentraentrelos50y150Hz[6].Decualquier
manera, se debe tener en cuenta que la tasa de muestreo
incidir directamente en la longitud de las muestras de la
seal a procesar, implicando mayor o menor tiempo de
cmputosobrecadaregistroEMGycomprometiendoconello
elretardoenlarespuestadelsistemadeprtesis.
Paraelanlisisdelasseales,lomscomnessegmentar
losregistrosensegmentosdelongitud256muestras(256ms
de grabacin), y aplicar las tcnicas de extraccin de
caractersticas a cada segmento [2],[4],[7],[13],[14]. Por su
parte, Englehart K., et al. [7] comparan el desempeo de
clasificacin con seis movimientos diferentes de la mano,
variandoparaestolalongituddelossegmentosen256,128,
64 y 32 muestras en cada ensayo. As, mostraron que el
desempeo en la clasificacin se degrada rpidamente a
medida que disminuye la longitud de los segmento. Otros
trabajoscomoen[15],16}y[17]utilizansecuenciasde200y
400 muestras (200 y 400 ms), igualmente con resultados
satisfactorios, pero cabe anotar que longitudes mayores de
256muestrasimpondrmayortiempodeprocesamientoyen
consecuenciamayorretardoenlarespuestadelaprtesis.
A. ExtraccindeCaractersticas
Todo sistema de control mioelctrico parte del hecho de
que el valor instantneo de las seales EMGS no contiene
informacin [6]. Y segn los modelos aceptados para su
representacin, estas son estocsticas [18]. Hudgins B. et al.
[6], encontraron en las seales EMGS una estructura
inherente para cada tipo de contraccin, que a pesar de
mostrar una componente determinstica, tambin contiene
una componente aleatoria. Una forma de retener esta
informacin estructural es segmentando la forma de onda
transiente ydeterminarelconjuntodecaractersticasapartir
deestadsticosevaluadosencadasegmento.Sinembargoesta
naturaleza estocstica no estacionaria delaseal,justificla
investigacin y aplicacin de nuevas tcnicas de anlisis de
seales. As fue como el anlisis espectral empez a
considerarse como un complemento al anlisis temporal
clsico.
130 RevistaAvancesenSistemaseInformtica,Vol.4No.1,Juniode2007
Elxitoquesetengaenelcontroldeunsistemadeprtesis
est fuertemente influenciado por la etapa de procesamiento
de lassealesmotorasEMGS.Estaetapaconsisteenextraer
la informacin ms relevante, necesaria y suficiente para
discriminar con el mnimo de error los diferentes
movimientos requeridos en el sistema de prtesis. Esta
informacin se obtiene de la aplicacin de las llamadas
tcnicas de extraccin de caractersticas, dentro de las
cuales se destacan como pioneras las basadas en anlisis
temporal por su sencillez y facilidad deevaluacin,debidoa
que no requieren ningn tipo detransformacin de la seal.
Tambin estn las basadas en anlisis espectral, para las
cuales se requiere de la transformacin de la seal, como la
transformada de Fourier de tiempo corto (STFT short time
Fourier transform) con la cual se obtiene informacin de la
seal en el dominio tiempofrecuencia [5],[19],[20], aunque
esta tcnica asume la condicin de estacionariedad en la
seal, lo cual no se cumple para las seales EMGS.Apesar
de haberse conseguido con esta transformada un desempeo
aceptablemente bueno en el anlisis de este tipo de seales
para efectos de clasificacin de patrones de movimientos, su
naturaleza estocstica no estacionaria ha hecho necesario
explorartcnicasalternativasqueayudenamejorarelproceso
de extraccin de caractersticas. Una solucin a este
inconveniente se refleja en los ltimos trabajos de
investigacin en el rea deprocesamiento de seales con la
tcnica de anlisis espectral basada en la teora de
wavelets, mediante las transformadas wavelets: CWT
(Continuos Wavelet Transform), DWT (Discrette Wavelet
Transform) y WPT (Wavelet Packet Transform). Con esta
tcnica se consigue una representacin de la seal en los
dominios tiempofrecuencia mucho ms compacta que la
conseguida por transformada de Fourier STFT, puesto que
permitedisponerdeinformacindelasealensusdominios
originalytransformadodemanerasimultnea[19].
1) Caractersticas Temporales: Lascaractersticasbasadas
en estadsticos temporales se evalan rpidamente, y son
extradasdecadasegmentodetiempoparacrearunconjunto
de caractersticas que representan el patrn de la seal
EMGS. Entre ellas se pueden mencionar como las ms
importantes (utilizadas en [2],[4],[6],[7],[13] y [21]), las
siguientes:
Valor medio absoluto. Estima el valormedioabsoluto
Xi , sobre cada segmento i de N muestras de la
seal,mediantelaexpresin:
1 N
Xi =
N
x
k=1
k , i = 1, 2,.., I,
sima
donde xk esla k muestraenelsegmento i ,e I
eselnmerototaldesegmentos.
Valor medio absoluto de pendientes. Este es
simplemente la diferencia entre sumas de segmentos
adyacentes, i e i+1 ,definidopor:
D X i = X i +1 - X i, i = 1, 2,.., I -1 (2)
Cruces por cero: Es una forma simple de medir la
frecuenciadelaseal,puededeterminarsecontandoel
nmerodevecesquelaformadeondacruzaporcero.
Se requiere un umbral para reducir el nmero de
cruces por cero inducidos por ruido, y se selecciona
con respecto al voltaje de la seal V. El contador de
cruces por cero se incrementa segn la comparacin
entredosmuestrasconsecutivas xk y xk+1 as:
xk > 0yxk +1 < 0, oxk < 0yxk+1 > 0,
(3)
y xk - xk+1 0, 01V
Cambiosdesignodependiente.Proveeotraformade
medirelcontenidodefrecuenciaenlasealmediante
el conteo del nmero de veces que la pendiente de la
forma de onda cambia de signo. Igualmente requiere
de un umbral para reducir los cambios de signo de
pendiente inducidos por el ruido. El contador de
cambiosdesignoenlapendienteseincrementasegn
lasrelaciones:
xk > xk -1 yxk > xk+1o
xk < xk -1 yxk < xk+1y (4)
xk - xk +1 0, 01V o xk - xk-1 0,01V
Longitud de la Forma de Onda. Provee informacin
de la complejidad de la forma de onda en cada
segmento,estdadaporlasiguienteexpresin:
N
lo = Dxk , (5)
k=1
donde, Dx
k = xk - xk-1 (diferencia entre valores de
muestras consecutivas). El valor resultante da una
medida de la amplitud de la forma de onda, su
frecuenciayduracinenunsoloparmetro.
Otra tcnica de anlisis temporal de seales, utilizada en
[2],[14],[22],[17]y[21],sebasaenelmodeladoparamtrico
Auto Regresivo (AR), el cual permite modelar series de
tiempomediantelaexpresin:
P
x(k ) = -a ix(k - i ) + e(k ), (6)
i=1
donde a i sonloscoeficientesAR, P elordendelmodelo,y
e(k) un trmino de error. En este caso los coeficientes
forman el conjunto de caractersticas requeridas. Graupe y
(1) Cline [10], fueron los primeros en clasificar seales EMG,
utilizando coeficientes AR como caractersticas para
clasificacin a partir de un solo canal. Sin embargo, este
parmetro tiene el inconveniente de suponer la condicin de
estacionariedad en la seal, lo cual no se cumple para las
sealesEMGS.
2) Caractersticas Espectrales: La representacin tiempo
frecuencia de la seal provee informacin de la distribucin
 AnlisisdeSealesEMGSuperficialesysuAplicacinenControldePrtesisdeManoRomo,RealpeyJojoa
de su energa en los dos dominios, logrndose una
descripcin ms completa del fenmeno fsico [5]. Sin
embargo, una transformacin de la seal implica un costo
computacional adicional y un espacio de caractersticas de
mayor dimensin. Las tcnicas ms utilizadas en la
extraccin de caractersticas espectrales han sido: la
transformada de Fourier STFT (Short Time Fourier
Transform), la transformada wavelet continua CWT, la
transformada wavelet discreta DWT y la transformada de
paqueteswaveletWPT,comoveremosacontinuacin.
La transformada de Fourier de tiempo corto STFT
[5]. Asumiendo estacionariedad de la seal EMGs en
perodos cortos de tiempo, laSTFTparaunsegmento
[ ]
de longitud finita Xi , i 0,L,L- 1 , consiste en
unaseriedetransformadasdeFourierdiscretasDFT's,
indexadasconrespectoaTs y F ,delaforma:
STFT[k, m] STFT[kTs, mF]
L-1
= x[i ]g[i - k ]e- j 2p mi /L,
i=1
donde g[i] eslafuncindelaventanadeobservacin
de tamao fijo sobre la seal original, L la longitud
del segmento y T =kTs el tamao de paso de
muestreo temporal. Si k =1 , la STFT se evaluar
sobre cada muestra temporal, si k = L, las ventanas
sucesivasdeanlisisnosetraslapan.Unaventanatipo
Gaussiana brinda una buena resolucin tiempo
frecuencia. Sin embargo, esta resolucin siempre
estar acotada inferiormente por la desigualdad
conocida como principio de incertidumbre de
Heisenberg,dadaporlaexpresin:
1 a
Dt Df = .(8)
4p
Estatransformadaseutilizen[19]comotcnicade
anlisis de seales EMGS para clasificacin de
patrones de movimientos y en otros trabajos como en
[4],[7],[13],[14] y [23] para comparar su desempeo
en el anlisis y clasificacin de seales EMGS con
tcnicas ms recientes como las basadas en
transformadaswavelet.
La transformada wavelet continua CWT [3],[24]. Al
igual que la STFT, la CWT hace uso de ventanas de
observacin en su transformacin, pero ahora son
ventanas de tamao variable. La CWT expresa una
seal x(t) continua en el tiempo, mediante una
expansin de trminos con coeficientes que son
proporcionalesalproducto internoentre,laseal x(t)
y versiones escaladas y trasladadas de una funcin
prototipo y(t ) conocida como wavelet madre.
Partiendodequetantolaseal x(t) comolafuncin
131
waveletmadre y(t ) sondeenergafinita,sedefine
laCWTdeunasealcomo:
1 t - b
CWT (a , b) = x(t )y dt a , b,
a -
a
(9)
con a ,b , a 0 y donde a es una variable
de escala , quepermite comprimirodilatarlafuncin
y(t ) yestableceelgradoderesolucinconelcualse
analiza la seal x(t) b es una variable de
traslacin que permite desplazar la funcin y(t ) y
determina su ubicacin sobre la seal analizada.
Acorde a la definicin de la CWT puede concluirse
que ms que unarepresentacintiempofrecuencia,es
unarepresentacintiempoescala.As,unadescripcin
globaldelasealquedaradelasiguientemanera:las
bajas frecuencias de la seal, se analizan con altas
(7) escalas y se obtiene buena resolucin en frecuencia,
mientrasquelosdetallesdelaseal,correspondientes
a las altas frecuencias, se analizan con bajas escalas,
con lo que se obtiene buena resolucin en tiempo. Su
aplicacin en anlisis de seales EMGS se puede
encontraren[21]y [25].
La transformada wavelet discreta DWT [3],[24]. A
nivel prctico y computacional, se prefiere la
discretizacindelaCWT,ylaformamsadecuadaes
discretizando los valores de las variables a y b
mediante una escala didica, esto se logra haciendo
a =2- j y b =k2- j detalmaneraqueunafuncin
waveletmadredelaforma:
1 t - b
y a ,b(t ) = y a , b , a 0 (10)
a
adquierelaforma:
j
y j ,k (t ) = 2 2y ( 2 jt - k ) j,k Z (11)
Este conjunto de funciones se conocecomolaversin
didica discretizada de la funcin wavelet. El factor
2j/2 se denomina constante de normalizacin y
garantiza la condicin de ortonormalidad. A su vez,
una funcin wavelet madre y(t ) lleva asociada
consigo una funcin escala f(t ), de tal manera que
ahora es posible aproximar cualquier funcin
x(t)L2 () con una de estas funciones o con
ambas,mediantelasiguienteexpresin:
x(t ) = c j ,kf (t ) + d j ,ky (t ) j ,k Z
k j k j
(12)
donde cj,k son los coeficientes de escala o de
132 RevistaAvancesenSistemaseInformtica,Vol.4No.1,Juniode2007
aproximaciny dj,k sonloscoeficienteswaveletode
detalle de la seal original x(t), con respecto a las
funciones de escala f(t ) y wavelet
respectivamente.
El desarrollo de algoritmos rpidos para evaluar la
DWT, llev a implementar los llamados ``bancos de
filtros'' [3]. As, estos algoritmos no se relacionan
directamente con las funciones de escala f(t ) y
wavelets y(t ),sinoconloscoeficientesdelosfiltros
que las representan. Estos filtros corresponden a un
filtro pasabajas y un filtro pasaaltas, tales que al
hacer pasar la seal original por este banco de filtros
se obtiene a su salida los coeficientes cj,k y dj,k
respectivamente. Este proceso de filtrado puede
iterarse y as obtener una descomposicinadiferentes
niveles. Basta hacer pasar los coeficientes de escala
obtenidos del proceso de filtraje anterior por un par
idntico de filtros y as obtener los coeficientes del
siguiente nivel. Asseobtienenloscoeficientes cn-1,k
y dn-1,k , a partirdeloscoeficientes cn,k .Laideaes,
bien sea utilizar directamente los coeficientes que
resultandeladescomposicincomocaractersticasdel
vector descriptor, o realizar algn tipo de
manipulacin sobre estos y as obtener las
caractersticas descriptoras de los patrones EMGS.
Esta tcnica de anlisis an siendo relativamente
nueva, ha sido ampliamente utilizada en seales
EMGS como lo muestran los trabajos de
Figur a1a DescomposicinDWT.
[4],[7],[11],[13],[14],[15],[17],[23]y [26].
La transformada de paquetes wavelet WPT [3],[24].
El concepto de la WPT se fundamenta en que
mientras la transformada DWT reitera el proceso de
filtraje nicamente sobre los coeficientes de escala
cj,k para llevarlos a niveles de menor resolucin y
conservando los coeficientes de detalle dj,k en cada
nivel de descomposicin tal como se muestra en la
figura 1.a la transformada WPT reitera el procesode
y(t )
filtraje de igual manera sobre los coeficientes de
detalle dj,k ,talcomosemuestraenlafigura1.b.
La diferencia que se encuentra al comparar la
transformada WPT con las transformadas STFT y
DWT es su capacidad de anlisis multiresolucin en
los dominios tiempofrecuencia de la seal como se
muestra en lafigura2.sinembargoestaventajadela
WPT sobre las otras dos tcnicas implica un mayor
costocomputacionalyunamayordimensionalidaddel
espacio transformado. Siendo quiz esta la razn por
la cual no ha sido tan utilizada como la DWT.
Algunos de los trabajos donde se encuentra su
aplicacinestnen[4],[7]y [21].
B. ReduccindeDimensionalidad
El inconveniente que se presenta en la tcnica de
extraccin de caractersticas mediante la aplicacin de
transformaciones de la seal es la alta dimensionalidad del
espacio resultante, lo que implicara conformar vectores de
descripcinmuygrandes.Anteesto,lastcnicasdereduccin
de dimensionalidad permiten preservar la informacin ms
relevante al tiempo que se reduce la dimensin del espacio
transformado[5]procedimientoesencialparaincrementarel
desempeo de la clasificacin. La reduccin de
dimensionalidad se puede lograr de dos maneras: por
proyeccin de caractersticas o por seleccin de
Figur a1b DescomposicinWPT
caractersticas.
Engeneralseprefieretrabajarlatcnicadeproyeccinde
caractersticas, pues de esta manera se conserva en el
conjunto reducido la informacin contenida en cada una de
las caractersticas del conjunto original. Este es un
procedimiento automtico que norequieredelaintervencin
humanaparalaseleccindelascaractersticasfinales.Dentro
 AnlisisdeSealesEMGSuperficialesysuAplicacinenControldePrtesisdeManoRomo,RealpeyJojoa
de esta tcnica el mtodo ms utilizado es el anlisis de
componente principal (PCA Principal Component
Analysis), tambin conocido como transformada de
KarhuemnLoeve o descomposicin de valores singulares
(SVD Singular Value Decomposition), que consiste en un
mapeo lineal del conjunto original de caractersticas en un
conjunto reducido de caractersticas decorrelacionadas, a la
vez que se minimiza el error cuadrtico medio entre los dos
conjuntos[7],[28], pues la proyeccinserealizasobrebases
ortonormales que son los autovectores de la matriz de
covarianzas del conjunto original. Las caractersticas
transformadas son ordenadas de acuerdo a sus
varianzas,reflejadosudecrecienteefectividadenlarepresen
Figur a 2.Resolucionesdeanlisisespectral. a) STFT, b) DWT y c) WPT.
cin del conjunto original. El anlisis PCA es uno de los
mtodos ms efectivos en aplicaciones de reconocimiento de
patronesyampliamenteutilizadoconsealesEMGScomose
muestra en [7],[13],[17] y [23]. Por su parte, la tcnica de
seleccin de caractersticas se busca conformar el mejor
subconjunto de caractersticas a partir de la seleccin de las
mejores caractersticas del conjunto original. Su
inconvenienteesquepartedelainformacin contenidaenel
conjuntooriginalsepierdedefinitivamenteporeldescartede
algunas de sus caractersticas, adems requiere de la
intervencinhumanaparaelprocesodeseleccinodescarte.
C. ClasificacindePatrones[5],[20]
Incrementar la precisin en el control de una prtesis
requiere tambin mejorar en las tcnicas de clasificacin de
patrones,partecomplementariaynomenosimportanteenel
diseo de un sistema de prtesis completo. Existen una
variedadde clasificadores,deloscualessepuedendestacar:el
clasificadores Bayesiano y los basados en redes neuronales,
lgicadifusayredesneurofuzzy.
Clasificador Bayesiano. Es el mtodo estadstico
clsico. Donde se estima la probabilidad a posteriori
de la pertenencia de una muestra de prueba a una de
las clases dadas. Esta probabilidad es evaluada en
133
funcin de las probabilidades a priori de cada clase y
la probabilidad condicional, resultante de la
distribucindelasmuestrasdeentrenamientoencada
clase y evaluada segn el teorema de Bayes. Su
aplicacin en clasificacin de seales EMGS se
encuentraen[14].
Anlisis discriminante lineal (LDALineal
discriminant analysis). Es otromtodoestadsticoque
discrimina la separabilidad de clases en forma lineal,
locualnoseajustademaneraeficientealospatrones
EMGSporsudinmicaestocstica.Sinembargo,ha
sidoutilizadaentrabajosdeinvestigacinparaefectos
comparacinconotrastcnicascomoen[2],[4]y [7].
Redes neuronales artificiales (ANN Artificial Neural
Network). Es un sistema computacional inspirado en
lascaractersticas de aprendizaje y estructura de la
red neuronal biolgica. Las redes ANN tienen
caractersticas como: generalizacin y habilidad para
aprender de la experiencia sin requerir un modelo
matemtico a priori de las caractersticas de la seal,
adaptacinaloscambiosdecondicionesambientalesy
habilidad para procesar datos degradados o
incompletos, lo que las hace apropiadas para seales
crticas como las seales EMGS. Sin embargo, las
redes ANN requieren de un gran nmero de muestras y
mucho tiempo de entrenamiento para un aprendizaje
adecuado.Suaplicacinenclasificacinde sealesEMGSse
puedeencontraren [2],[4],[7],[11],[15],[17], [21] y [26].
Lgica difusa . Son sistemas de inferencia, yal igual
que las ANN simulan el comportamiento de decisin
humana. Con posibilidad de introducir la experiencia
de un experto en laelaboracindereglasdedecisin,
en un esquema IF_THEN. Estos sistemas se pueden
clasificar en dos categoras: la primera categora,
134 RevistaAvancesenSistemaseInformtica,Vol.4No.1,Juniode2007
incluye modelos lingsticos basado en coleccin de
reglas IF_THEN, cuyos antecedentes y consecuentes
usan valores fuzzy (modelo Mamdani) y la segunda
categora,estabasadaen sistemastipoTagagiSugeno
yusaunaestructuradereglasquetienenantecedentes
fuzzy y consecuentes funcionales. Consiste en una
aproximacin no lineal, a partir de una combinacin
de muchos sistemas lineales mediante la
descomposicin del espacio completo de entradas en
espacios fuzzy parciales y la representacin de cada
espacio de salida con una ecuacin lineal. Su
aplicacin en clasificacin de seales EMGs se
encuentraen[2]y [13].
Sistemas Neurofuzzy. La combinacin de redes
neuronales y lgica difusa permite una relacin
simbitica en la cualseaprovechaelconocimientode
un experto y la capacidad de aprendizaje y eficiencia
computacionaldelaredneuronal,lograndounsistema
dedecisionesmsinteligentes.Algunosdelostrabajos
realizadosenclasificacindesealesEMGsutilizando
tcnicasneurofuzzyseencuentranen[13]y [23].
IV. LASSEALESEMGSYELCONTROLDE
PRTESISDEMANO
Sonmuchoslosgruposalrededordelmundoqueinvestigan
laaplicabilidaddesealesEMGSenelcontroldeprtesisde
mano. Segn Zecca [5], en 1948 Reiter R. fueelprimeroen
utilizar seales EMGS para controlar un dispositivo de
prtesis simple. [28], con modelado AR y discriminacin
Bayesiana, fueron capaces de discriminar seis clases de
movimientos con xito del 99%. Desafortunadamente estos
resultados solo se lograban despus de muchas horas de
entrenamiento. Ms tarde, el uso de redes neuronales
artificiales (ANN) permiti reducir el tiemporequeridopara
elentrenamiento.
En 1993, Hudgins et al. [6] propusieron por primera vez
unaestrategiadecontroldedispositivosartificialesutilizando
el estado transiente de las seales EMGS, logrando
discriminar cuatro movimientos diferentes (extensin del
codo,flexindemueca,yrotacinhumeralradial/lateral),a
partir de un solo electrodo bipolar y con extraccin de
caractersticas temporales y clasificacin de movimientos
mediante una Red Neuronal ANN de dos capas. A pesar de
suslogros,elerrorde discriminacinansuperabael10%.
En 1999, Englehart et al. [4] propusieron la clasificacin
de seales EMGS en su fase transiente, siendo pioneros en
introducir la transformada wavelet en la representacin
tiempofrecuencia dela seal. Analizaron las sealesEMGS
correspondientesacuatropatronesdemovimientosdelcodoy
antebrazo, extrayendo caractersticas espectrales con STFT,
DWT y WPT y comparndolas con las caractersticas del
dominio temporal TD (Temporal Domain) propuestas por
Hudgins, concluyeron que la precisin en la clasificacin se
lograenelordenprogresivoTD"STFT"DWT"WPT.En
este mismo ao, Englehart et al. [13] y[14] propusieron un
esquemadeclasificacincontinuabasadaenwaveletsparael
control mioelctrico multifuncional usando la transformada
WPT en la extraccin de caractersticas y luego sometidas a
una reduccin de dimensionalidad con PCA. Sus resultados
fueronaplicadosenladiscriminacindeseismovimientosde
mano y mueca (mano cerrada, mano abierta, flexin de
mueca, extensin de mueca, desviacin cubital, y
desviacin radial). Concluyeron, que con cuatro canales se
obtiene mejores resultados que con dos canales o uno, y que
se puede lograr una sorprendente precisin en la
discriminacinutilizandoelestadoestacionariodelasseales
EMGS.
En 2002, Ferguson S y Dunlop G. [14] desarrollaron un
sistema que permiti identificar cuatro tipos de agarre
complejos (esfrico, cilndrico, depinzaylateral)apartirde
seales EMGS utilizando en la extraccin de caractersticas
las tcnicas STFT, AR, DWT y la deconvolucin. Para la
clasificacin se probaron mtodos estadsticos (Distancias
EucldeaydeMahalanobis)yredesneuronales.Concluyeron
quelamismacombinacindetcnicastantodeextraccinde
caractersticas como de clasificacin de patrones no tiene el
mismo desempeo para todos los pacientes, por lo que el
dispositivo deber adaptarsepara cada paciente. Elhechode
tener que adecuar la prtesis a cada paciente pas a ser un
puntodeintersparalosinvestigadoresquienesvislumbraron
su solucin en el uso de redes neuronales y lgica difusa
afirmando que las EMGS no son seales estrictamente
repetibles y muchas veces an contradictorias, y que los
sistemas con lgica difusa pueden tolerar dichas
contradicciones, adems de permitir detectar patrones en los
datos que con otras tcnicas no es tan fcil. En este sentido,
Zhang et al. [23] propusieron una tcnica de clasificacin
neurofuzzyconlacombinacinDWT/SVDenextraccinde
caractersticas y fue aplicada al reconocimiento de seis
movimientos (extensin decodo,flexindelcodo,pronacin
de mueca, supinacin de mueca, mano abierta y mano
cerrada) con mejores resultados que los obtenidos con
mtodostradicionalesutilizadoshastaentonces.Porsuparte,
Yucel K. y Mehmet K. [13], propusieron la combinacin
DWT/PCA y clasificacin fuzzy (fuzzy cmeans FCM,
possibilistic cmeans PCM y fuzzy Knearest FKNN) para
seales EMGS. Se aplic en la ejecucin de cuatro
movimientos (flexin y extensin de codo, pronacin y
supinacin de antebrazo) sobre un dispositivo de prtesis.
Concluyeron que las tcnicas por ellos aplicadas daban
mejores resultados de clasificacin que los logrados con
caractersticas temporales, coeficientes AR y coeficientes
cepstralesutilizadashastaentonces.
En 2004, Betancourt et al. [21] presentaron una
metodologa para el reconocimiento de patrones de
movimiento a partir de seales EMGS utilizando: anlisis
 AnlisisdeSealesEMGSuperficialesysuAplicacinenControldePrtesisdeManoRomo,RealpeyJojoa
temporal, AR, FFT, STFT y wavelets para construir un
conjunto hbrido de caractersticas y mediante una red
neuronal en configuracin backpropagation probar la
clasificacin de dichos patrones. Por otra parte, Kilby et al.
[30]compararoneldesempeodediferentesfamiliaswavelets
en el anlisis de seales EMGS mediante las transformadas
DWTyWPT.Conbaseenelerrordeaproximacinobtenido
tras la descomposicin y reconstruccin de una seal
concluyeron que las familias wavelets: Daubechies, Symmlet
yCoifletsonlasmsadecuadasparaelanlisisdeestetipode
seales.
En 2005, Carreo I. y Vuskovic M. [15] propusieron un
mtodo de extraccin de caractersticas basado en el clculo
de los tres primeros momentos a partir de tressecuenciasde
transformadas wavelet. Su mtodo se aplic en la
clasificacin de patrones EMGS de aprehensin o agarre
(cilndrico, esfrico, lateral y de precisin), mostrando ser
significativamente mejor que el basado en la transformada
Thompson de tiempo corto STTT de tres ventanas. En la
clasificacin utilizaron la distancia Mahalanobis basada en
clasificadores ARTMAP (Adaptive Resonant Theory based
algorithm for supervised incremental learning and
classification). As mismo, Wang X. y Cui J. [26] usaron la
combinaronDWT/ANNensealesEMGSparaidentificacin
y clasificacin de ocho patrones diferentes de movimientos
conunaaltatasadeidentificacin.CarreoI.yVuskovicM.
[16], innovaron tambin en su trabajo previo, proponiendo
ahoralaevaluacindelosprimeroscincomomentosenlugar
deaplicarPCAparareduccindedimensionalidad.Sunueva
propuesta se aplic enclasificacindecuatrotiposdeagarre
(cilndrico, esfrico, de precisin y lateral). Por otra parte,
Englehartetal.[2],comparalaclasificacindeseispatrones
de movimientos a partir de seales EMG superficiales y
seales EMG intramusculares, asumiendo en las ltimas
menos crosstalk muscular, lo cual permitira puntos de
controlmsindependientes.Losresultadosmostraronqueno
hay diferencia significativa en la precisin de clasificacin.
Liu et al. [11], desarrollaron un mtodo de aprendizaje en
tiempo real, aplicando la transformada wavelet en la
extraccin de caractersticas y una red ANN en la
clasificacin. El mtodo se aplic para discriminacin de
cinco diferentes tipos de movimientos y hacer control en
tiempo real de una prtesis. Para esto, analiz tanto la fase
transitoria como la estacionaria de la seal. Sus resultados
mostraron que la discriminacin de movimientos mejorada
sustancialmenteconestaformacombinadade anlisis.
V. CONCLUSIONES
LaoptimizacinenelanlisisdesealesEMGSysuaplicacinen
elcontroldeprtesisactivasseguirsiendoobjetodeinvestigaciny
futurosdesarrollos,usandocadaveztcnicasmsapropiadasparael
anlisis de las seales y aprovechando al mximo los avances
tecnolgicos.
El control de prtesis virtuales mioelctricas se puedelograrcon
135
resultados altamente satisfactorios bien sea utilizando seales EMG
intramusculares o seales EMG superficiales (EMGS), aunque se
prefierelassealesEMGSporrazonesyadescritas.Deigualmanera
sepuedeutilizarbienseaelestadotransienteoelestadoestacionario
delassealeselectromiogrficas.
Lacorrectaubicacindelasregionesmuscularespararecogerlas
muestrasdesealesEMGSesesencialenlacorrectadiscriminacin
de movimientos, as como el nmero de electrodos o canales
implicar disponer de mayor o menor informacin para su
clasificacin.
Los resultados de los trabajos ms recientes muestran que la
conformacindevectoresdescriptoresparaunamejordescripcin de
patrones EMGS se consigue mediante la combinacin de
caractersticas tanto temporales como espectrales, preferiblemente
obtenidasmediantetransformadas wavelet.
Siempre que se tengan caractersticas obtenidas mediantealguna
transformacindelaseal,sermuyapropiadoaplicaralguna tcnica
dereduccindedimensionalidadcomoPCA.
Para concluir, en la etapa de clasificacin, se pueden fusionar
tcnicascomolasredesneurofuzzyparaaprovecharlasventajasde
cada una, as como su capacidad de readaptacin o reaprendizaje
segnloscambiosdinmicosquesepresentanenlassealesEMGS
debidosalosestadospsicofsicosdelapersona,yaslograrun mejor
desempeoensusistemadeprtesis.
REFERENCIAS
[1] AlonsoA.,SanchezH.,HurtadoE.,SteinzD.,LiptakL.,EntrenadorMioelctricode
PrtesisParaAmputadosdeBrazoyMano,HospitalclnicoUniversitario,Universidad
deValladolid.MapfreMedicina.Vol13,pp.1119,2002.
[2] HargroveL.,EnglehartK.,HudginsB.,AComparisonofSurface andIntramuscular
MyoelectricSignalClassification,Proc.of the27thAnnualConf.Int.pag.5009 5012.
IEEEEMBS2005.
[3] Ali N. Akansu and Paul R. Haddad. Multiresolution signal decomposition
Transforms, subbands, and wavelets. Second edition New Jersey Institute of
Technology,Newark,NJ.
[4] Englehart K., Hudgins B., Parker P., Stevenson M., Classification of the
Myoelectric Signal Using Timefrecuency Based Representations. Institute of
BiomedicalEngineering,UniversityofNewBrunswick,Canada.1999.
[5] ZeccaM.,MiceraS.,CarrozaM.,DarioP.,ControlOfMultifunctionalProstheticHands
By Processing The Electromyographic Signal, Critical Reviews in Biomedical
Engineering.Vol.30,pp.459 485.2002.
[6] HudginsB.,ParkerP.,ScottRN.,NewStrategyforMultifunctionMyoelectricControl,
IEEETransBiomedEng.Vol.40,pp.82 94,1993.
[7] EnglehartK.,HudginsB.,andParkerP., AWaveletBasedContinuousClassification
SchemeforMultifunctionMyoelectricControl.DepartmentofElectricalandComputer
EngineeringandtheInstituteofBiomedicalEngineering.UniversityofNewBrunswick,
Canada.Vol.48,pp.302 311,2001.
[8] LoweryM.,StoykovN.,TafloveA.,yKuikenT.,TesisprofesionalAMultipleLayer
FiniteElementModeloftheSurfaceEMGSignal.IEEETransactionsonBiomedical
Engineering,vol.49,no.5,pp.446454,May2005.
[9] Nishikawa D., Yu W., Yokoi H., y Kakazu Y, EMG prosthetic hand controller
discriminatingtenmotionsusingrealtimelearningmethod,IEEE/RSJIROS.1999.
[10]GraupeD.,yClineW.,FunctionalseparationofEMGsignalsviaARMAidentification
methodsforprosthesiscontrolpurposes.InIEEETrans.SystemsManandCybernetics,
volume5,252259.1975.
[11]LiuH.,ChenX.,ChenY.WaveletTransformandReal TimeLearningMethodfor
Myoelectric Signal in Motion Discrimination. International Symposium on
MeasurementTechnologyandInteligentInstruments.Conf.Ser.Vol.13,pp.25 253,
2005.
[12]Crawford B., Miller K., Shenoy P.,y Rao R., RealTime Classification of
Electromyographic Signals for Robotic Control. Technical Report No. 20050305,
DepartmentofComputerScience,UniversityofWashington, March2005.
[13]Ycel K., Mehmet K., EMG Signal Classification Using Wavelet Transform And
FuzzyClusteringAlgorithms.IstanbulTechnicalUniversity,FacultyofElectricaland
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