Resumen:
El campo del desarrollo de prótesis activas es un campo en constante evolución y crecimiento, en la actualidad encontramos prótesis cada vez más sofisticadas las cuales pueden emular los movimientos complejos de su contraparte biológica. Con el incremento en la complejidad de los movimientos que puede realizar una prótesis activa, sale a la luz el desafió que existe al momento de diseñar los controladores para prótesis, los cuales no solo deben controlar el movimiento de la prótesis, sino también interpretar de forma precisa la intención de movimiento del usuario. Para este trabajo se planteó, utilizando machine learning y sistemas embebidos, diseñar un sistema de control de prótesis activa basado en la interpretación de la intención motora usando electromiografía. Para cumplir con los objetivos planteados se creó un conjunto de datos de entrenamiento con los casos de interés a ser clasificados por el algoritmo de machine learning, luego basado en estos datos, se entrenó una red neuronal. Este algoritmo fue evaluado en distintas plataformas para establecer cuál de ellas ofrece el mejor rendimiento. Como resultado se obtuvo un sistema de clasificación cuya precisión dentro del conjunto de datos de entrenamiento es del 100%, además de las distintas plataformas evaluadas se encontró que el Arduino Nano ofrece la mejor relación entre desempeño y rendimiento. En conclusión el uso de plataformas de bajo costo, y algoritmos sofisticados de clasificación permite el diseño de un sistema que es robusto, funcional y de bajo costo.
