Abstract:
CONDITION FOR PUBLICATION OF PROJECT. This project develops an intelligent wearable band for capturing electromyographic and kinematic signals, specifically aimed at individuals with partial upper-limb amputation resulting from occupational accidents. Its purpose is to facilitate workplace reintegration and personal autonomy through embedded artificial intelligence, enabling the classification of residual muscle movements. During the development stage, an ergonomic wearable device was designed and implemented, integrating inertial and myoelectric sensors under a modular electronic architecture. The signals were processed using windowing techniques, and two learning models were comparatively evaluated: a convolutional neural network and a feature extraction–based architecture. Experimental results demonstrated that the feature extraction model provided greater stability, successfully controlling four discrete states in a robotic hand in both simulation and physical implementations. Additionally, the mechanical design ensured proper fixation, although energy autonomy was limited by the device’s dimensions. Finally, it is concluded that the proposed solution is viable for interpreting movement intention in real time, validating its use as an assistive tool for occupational continuity.
Keywords: Embedded artificial intelligence, Inertial sensors, Partial amputation, Occupational reintegration, Signal processing.
Description:
CONDICIONAMIENTO DE PUBLICACION DE PROYECTO. El presente proyecto desarrolla una banda inteligente para capturar señales electromiográficas y cinemáticas, dirigida específicamente a personas con amputación parcial de la extremidad superior debido a accidentes laborales. Su propósito es facilitar la reintegración en el trabajo y la autonomía mediante inteligencia artificial embebida, permitiendo la clasificación de movimientos musculares residuales. En la etapa de desarrollo, se diseñó e implementó un dispositivo wearable ergonómico que integró sensores inerciales y mioeléctricos bajo una arquitectura electrónica modular. Se procesaron las señales mediante técnicas de ventaneo y se evaluaron comparativamente dos modelos de aprendizaje: una red neuronal convolucional y una arquitectura basada en extracción de características. Los resultados experimentales evidenciaron que el modelo de extracción de características ofreció mayor estabilidad, logrando controlar exitosamente cuatro estados discretos en una mano robótica tanto en simulación como en físico. Asimismo, el diseño mecánico garantizó la correcta sujeción, aunque la autonomía energética presentó restricciones por las dimensiones del dispositivo. Finalmente, se concluye que la solución propuesta es viable para interpretar la intención de movimiento en tiempo real, validando su uso como herramienta de asistencia para la continuidad laboral