Documente Academic
Documente Profesional
Documente Cultură
Resumen: En este trabajo se presenta la construcción y el control de una órtesis robótica del
extremidad inferior derecho con un grado de libertad, con el objetivo de ayudar en la rehabilitación
de la marcha, optimizando la recuperación de las personas que presenta este síndrome, mediante el
análisis de las señales electromiográficas(EMG) que son emitidas por los músculos, estas señales
son clasificadas mediante una red neuronal la cual identificara el movimiento realizado para aplicar
una estrategia de control, con la finalidad de que la órtesis diseñada sea capaz de seguir un patrón
de movimiento normal en conjunto con la extremidad inferior derecha..
1. Introducción
La marcha en “stepagge” es un trastorno neuromuscular que afecta al paciente de levantar el pie
a la altura del tobillo; Caminar se convierte en un desafío, debido a la incapacidad del paciente en
controlar la articulación tibioperoneoastragalina generando un levantamiento excesivo de la rodilla
y un arrastre del pie. El tratamiento de rehabilitación es una de las formas en las que se puede reducir
el deterioro y la discapacidad en las personas que han sufrido este síndrome de marcha [1][2].
Para llevar a cabo esta rehabilitación se han estudiado distintos tipos de órtesis. Las órtesis en la
actualidad se han creado con el fin de disminuir las limitaciones motrices existentes en el cuerpo
humano debido a que logran modificar las características funcionales del sistema neuronal-muscular-
esquelético, pero en su gran mayoría estas están sujetas a un arnés o son rígidas, y para llevar acabo
el movimiento de las extremidades inferiores es necesario el esfuerzo de uno o varios fisioterapeutas,
para solucionar este inconveniente se ha optado por usar órtesis robóticas [3]–[5].
Las órtesis mecánicas aún son una solución parcial para los desórdenes del pie, por lo que, en el
campo de la ingeniería de rehabilitación o robótica médica, se ha propuesto como alternativa el
desarrollo de mecanismos que permitan que las compensaciones funcionales del movimiento del pie
sean aplicadas por sistemas actuadores que se adapten a las diferentes fases del ciclo de marcha. Una
órtesis robótica permite trabajar en conjunto con los movimientos ejercidos por la persona, la
rehabilitación que maneje esta tecnología basada en órtesis robótica puede realizar sesiones de
entrenamiento prolongadas de una forma sencilla y en su propio hogar.[6] Esta adaptación se puede
lograr a través de sensores aplicados sobre la persona, que registran la actividad muscular estas
señales emitidas son conocidas como señales electromiográficas o EMG’S [7], [8]. La electromiografía
proporciona señales eléctricas producidas por los músculos que permiten el control de la órtesis
robótica de la persona, [9] la información que proporcionen estas señales son seleccionadas con el fin
de minimizar errores en el control de la órtesis robótica. Para incrementar la precisión en el control
de la órtesis y mejorar en la clasificación de patrones de movimiento, se destaca los siguientes
clasificadores: el clasificador Bayesiano y los basados en redes neuronales, lógica difusa y redes
neurofuzzy [9] – [14].
De estos clasificadores se destaca el método de redes neuronales artificiales (ANN) debido a que
responden más rápido que los métodos basados en el dominio de la frecuencia, este método tiene
una alta tasa de éxito y son soportados en plataformas en línea y en tiempo real [7], [9], [15]. Las ANN
tienen la capacidad de resolver problemas, entrenar al sistema y ponerlo a disposición para que
produzca las salidas deseadas cuando se lo evalúa con las entradas aprendidas [12], [16].
En el diseño del sistema de control con base en el conocimiento del sistema biológico del pie y
la patología de la marcha en steppage, se ha llegado al planteamiento del modelo de una órtesis
robótica activa con un sistema de control para asistir la marcha de personas con pie caído aplicando
principios de biomecánica e ingeniería. En los últimos años este tema ha sido de gran interés debido
a que al poder utilizar las señales EMG de nuestro propio cuerpo el paciente puede ocupar estas
señales y esto lleva a que logre trabajar en conjunto con la órtesis implantada en su cuerpo, además
de que los avances tecnológicos en las órtesis neuronales para la corrección del pie caído han ido
creciendo. La revisión examina el papel de los sensores artificiales, como reemplazos para el
interruptor de pie como el sensor de control primario en los estimuladores de caída de pie. En el año
2002 Gerard Lyons, aporta una revisión de las órtesis neuronales portátiles basadas en FES para la
corrección de la caída del pie. Un controlador en tiempo real para corrección de caída de pie mediante
el uso de sensor de electromiografía de superficie, fue estudiado por Yousif Mashhadany y Nasrudin
Rahim empleando electromiografía de superficie de la señal de electromiografía de pierna humana
real y los parámetros extraídos de la señal de electromiografía superficial se usaron luego para
entrenar una red neuronal artificial para la predicción del ángulo de la articulación. [9], [13], [17] –
[19]
La biomecánica, estudia los efectos de las fuerzas mecánicas sobre los sistemas orgánicos de los
seres vivos y sus estructuras, las principales aplicaciones de la biomecánica están relacionadas con
las áreas de medicina, rehabilitación ocupacional y deportiva. La Marcha humana es un proceso de
locomoción realizada por el cuerpo humano en posición erguida, tiene por objetivo moverse hacia
adelante con ayuda del movimiento de ambas piernas [4,5].
El Ciclo de Marcha empieza cuando un pie hace contacto con el suelo y termina cuando el mismo pie
hace contacto con el suelo nuevamente [4,5]. En un momento dado de la marcha ambos pies tocan el
suelo al mismo tiempo. El ciclo de la marcha se divide en los siguientes momentos:
Contacto o apoyo del talón: Contacto es la fase de amortiguación del ciclo de marcha; la acción que
realiza tiene el propósito de flexionar la rodilla antes que toque el suelo y esté en pronación. Esto
causa que el pie y la pierna funcionen mutuamente como un amortiguador. El pie necesita tener
bastante movilidad para permitir cualquier desnivelación en el terreno (Figura. 1) [4, 5].
Propulsión o despegue digital: Esta etapa da inicio con el despliegue del talón conforme el dedo gordo
se dorsiflexiona; posteriormente el mecanismo “windlass” entra en acción elevando el arco del pie y
apretando la fascia plantar. Esto hace que el pie se convierta en una palanca y permita generar un
impulso hacia adelante (Figura. 3) [4, 5].
3. Estructura de la Órtesis
Tomando en cuenta la comodidad del paciente durante el ciclo de marcha, se presenta el siguiente
diseño mostrado en la (Figura. 6), con el cual se obtiene el adecuado rango de movimiento necesario,
en el diseño de la estructura se toma en cuenta algunas propiedades que la misma debe poseer, es
decir el peso que debe soportar y la distribución de componentes electrónicos y mecánicos. En el
diseño de la estructura se considera resistencia y bajo peso, es por eso que se implementa en PLA
impreso en 3D.
Se investigaron los distintos componentes con los que se implementó la órtesis, realizando una
apropiada elección del hardware capaz de cubrir las necesidades requeridas, tomando en cuenta los
parámetros del ciclo de marcha y variables como ángulo de rotación de la extremidad inferior.
Considerando las siguientes etapas para su implementación: i) sistema de alimentación de energía,
ii) sistema de control, iii) actuadores, iv) sistema de comunicación v) unidad de procesamiento, y
finalmente vi) Sistema de sensado electromiográfico, como se puede observar en la (Figura. 8).
MOTOR SHIELD V3
Vin
GND
7.4
USB
UNIDAD DE PROCESAMIENTO
ACTUADORES
MYO ARMBRAND
SISTEMA DE SENSADO
ELECTROMIOGRAFICO
Sistema de energía: El Sistema de energía consta de dos batería de LIPO (Polímero de Litio) de 2
celdas de carga con corrientes de suministro de 300mA, como alimentación para el sistema de control,
y para la etapa de alimentación a los motores una de 1A, suficientemente para proporcionar la
corriente necesaria para alimentar a los actuadores; el voltaje de suministro para el shield driver de
los servomotores es de 7.4V; la tarjeta de control a la vez entrega 3.3Vcc para la alimentación del
módulo de comunicación respectivamente.
Sistema de control: El Sistema de control está compuesto por un Arduino uno R3 que realiza varias
tareas como la de recibir el ángulo de compensación que se aplicara a los servomotores.
Actuadores: Los actuadores que componen la órtesis robótica son dos servomotores de alto torque
(550 oz-in) y alta velocidad (0.18 sec/60°). El sistema también consta de un controlador que se encarga
de alimentar a cada uno de los servomotores y controlarlos a través de una señal de PWM.
Unidad de procesamiento: Está compuesto por un ordenador personal el cual debe tener buenas
características de hardware, en el cual se aplico todos los algoritmos de la red neuronal, incluye el
paquete de software matlab.
Dado que el objetivo de esta investigación es desarrollar una órtesis robótica controlada por EMG
capaz de seguir un patrón de movimiento normal del tobillo humano, se debe medir de forma
imprescindible las señales EMG de los músculos, por lo que se usaron señales de superficie (sEMG)
durante la contracción del tejido muscular, tales señales son generadas por las células musculares
cuando se activan eléctricamente[21]. Se colocaron 8 electrodos en los músculos involucrados en el
movimiento del tobillo, con ayuda de las recomendaciones del proyecto SENIAM [22] que tiene por
objetivo la colocación de electrodos y métodos de procesamiento de señales para EMG con el fin de
captar adecuadamente señales musculares. La (Figura. 9) indica un diagrama de bloques en donde
se muestra los componentes para un controlador basado en señales electromiográficas.
Las (sEMG) son obtenidas con ayuda del dispositivo Myo Armband, el cual entrega señales
crudas, estas requieren pasar por un proceso de normalización ya que son muy pequeñas (0-6mV) y
no pueden ser procesadas directamente. La cantidad de sensores que utiliza la Myo Armband
influye en el algoritmo de entrenamiento de la red neuronal mientras más existan mejor será la
identificación de patrones en la red. La lectura de los ocho sensores que se encuentran inmersos en la
Myo Armband se captan mediante el SDK de Windows[9].
Las señales EMG obtenidas se concatenan para formar un vector de sus características, estas son
graficadas para identificar una rutina de movimientos y así analizar puntos de interés entre gráficas.
Sensors 2018, 18, x FOR PEER REVIEW 8 of 17
Para identificar que señales utilizar se toman en cuenta aspectos tales como amplitudes, duración y
repetitividad de las ondas.
Figura. 9 Componentes principales típicos para un controlador apoyado en señales electromiográficas basado
en el reconocimiento de patrones
Adquisición de datos: Con la articulación del tobillo relajada y sin movimiento, se está usando los
cuatro momentos del ciclo de la marcha expuestos en la sección II para adquirir los datos en el tiempo
de tres segundos.
Clasificación de patrones: Debido a que la órtesis robótica trabaja con señales EMG necesitamos
incrementar la precisión del control por tal motivo el clasificador que se está implementando es
redes neuronales artificiales debido a que este método es apropiado para manejar señales EMG [10],
[23].
Para que el control de la órtesis tenga éxito depende de la extracción de los datos más importantes,
necesarios y suficientes para discriminar en lo más mínimo el error que aparece al momento de
realizar los movimientos del ciclo de la marcha. Estos datos se obtienen de las técnicas de extracción
de características.
Valor Medio Absoluto (MAV): Estima el valor medio absoluto de la señal EMG del segmento 𝑖 con
longitud de N muestras, relacionado con puntos de contracción del músculo[23]. Esto puede ser
expresado mediante la siguiente forma:
𝑁 ( 1)
1
𝑋̅ = ∑|𝑥𝑖 |
𝑁
𝑖=1
Sensors 2018, 18, x FOR PEER REVIEW 9 of 17
Varianza: Cuantifica el grado de esparcimiento de los datos respecto a la media en relación con la
potencia de la señal. Se relaciona con la fuerza desarrollada por el músculo[23] Esta dada por:
𝑁 (2)
1
𝑉𝐴𝑅 = 𝜎 2 = ∑ 𝑋(𝐾)2
𝑁−1
𝑖=1
En este trabajo se usaron las ecuaciones (1) y (2) lo cual fue suficiente para obtener un
reconocimiento optimo debido a que la ecuación (1) relaciona las muestras con la extracción del
músculo es decir para obtener la amplitud de movimiento y la ecuación (2) porque se relaciona con
la fuerza desarrollada por el músculo.
En la etapa de clasificación, utilizamos una red neuronal multicapa[24], [25]. La red neuronal
mostrada en la (Figura.10) está compuesta de tres capas una capa de entrada una capa oculta y una
capa de salida, donde la capa de entrada no realiza ningún procesamiento la capa oculta es la que
está compuesta de 20 neuronas ocultas debido a que fue el mejor resultado luego de varias pruebas,
la capa oculta proporciona la no linealidad al sistema porque tiene una función de activación
sigmoidal, y luego en la capa de salida que es de una sola neurona la cual estima el ángulo, tiene una
función de activación lineal.
𝑄 (3)
𝑚 (𝑘 𝑚 (𝑘)
𝛼
𝑊 + 1) = 𝑊 − ∑ 𝑠𝑞𝑚 (𝑎𝑞𝑚−1 )𝑇
𝑄
𝑞=1
𝑄 (4)
𝑚 (𝑘 𝑚 (𝑘)
𝛼
𝑏 + 1) = 𝑏 − ∑ 𝑠𝑞𝑚
𝑄
𝑞=1
Donde nuestro pesos siguientes “𝑊 𝑚 (𝑘 + 1)”, va a depender de nuestro peso actual “𝑊 𝑚 (𝑘)”
𝛼
menos ∑𝑄𝑞=1 𝑠𝑞𝑚 (𝑎𝑞𝑚−1 )𝑇 , donde 𝛼 viene a ser la taza de aprendizaje y 𝑄 el número de datos que
𝑄
Para obtener un adecuado uso de la red se debe tener en cuenta dos pruebas: 1) prueba de diseño sin
motor, aquí se adquieren las señales de entrada para la red neuronal artificial a diferentes ángulos y
en diversas posiciones de la articulación del tobillo; 2) prueba de diseño con el motor se adquieren las
señales que serán enviadas a la Red con la articulación del tobillo conectado a los actuadores
(motores) y colocando el pie en posición correcta para el ciclo de marcha. Para una estimación correcta
del ángulo de la articulación del tobillo en posición de marcha se adquirieron los datos de una señal
EMG de una persona sana[9], [23], [26].
En la (Figura. 11) se muestra la estructura de la Red Neuronal utilizada para la identificación de las
señales EMG, en donde se consideran dos etapas. a) Etapa de identificación, esta se realiza con ayuda
de la prueba sin motor, aquí se adquiere 16 señales del músculo tibial anterior con movimiento de
flexión/extensión de la articulación del tobillo. De las señales encontradas 8 son del valor medio
absoluto y los 8 restantes de la varianza [25]. Las señales son estudiadas con un código hecho en
Matlab para la adquisición y procesamiento de las mejores señales EMG, posteriormente estos datos
entran a una ventana de 0.3 segundos donde se obtienen las características de tales señales que serán
usadas para el entrenamiento de la red neuronal artificial; b) Etapa de reconocimiento y toma de decisiones
en la que las señales encontradas en la etapa anterior se utilizan para estimar el ángulo de la
Sensors 2018, 18, x FOR PEER REVIEW 11 of 17
articulación. Se usa las amplitudes de las señales EMG para encontrar el ángulo de la articulación en
flexión y el ángulo de extensión. Una vez que son adquiridos los ángulos, estos serán salidas para la
articulación del tobillo, cada valor encontrado es un peso guardado; estos pesos moverán a los
actuadores (motores). [26]
La cantidad de muestras que ingresan dependen del tiempo de muestreo de la ventana, como
ejemplo 0.5/0.02, “0.02” es el tiempo que transcurre en tomar una muestra y seguirá subiendo hasta
llegar a “0.5” [9], [16], [21], [26].
BACKPROPAGATION
EXTRACCION DE CARACTERISTICAS (VALOR MEDIO ABSOLUTO, VARIANZA)
SEMG SENSOR MYO 2 IDENTIFICADOR NN2 TEST SEMG SENSOR MYO 2 RECONOCEDOR NN2
SEMG SENSOR MYO 3 IDENTIFICADOR NN3 TEST SEMG SENSOR MYO 3 RECONOCEDOR NN3
BACKPROPAGATION
SEMG SENSOR MYO 4 IDENTIFICADOR NN4 TEST SEMG SENSOR MYO 4 RECONOCEDOR NN4
SEMG SENSOR MYO 6 IDENTIFICADOR NN6 TEST SEMG SENSOR MYO 6 RECONOCEDOR NN6
SEMG SENSOR MYO 7 IDENTIFICADOR NN7 TEST SEMG SENSOR MYO 7 RECONOCEDOR NN7
SEMG SENSOR MYO 8 IDENTIFICADOR NN8 TEST SEMG SENSOR MYO 8 RECONOCEDOR NN8
OBJETIVO, VALORES DE ANGULO DE LA ARTICULACIONES PARA
CIERTAS O MUCHAS SECUENCIAS DE MOVIMIENTO
4. Resultados
Se realizaron pruebas de cada dispositivo que conforma la órtesis de rehabilitación y validar los
objetivos como adquirir la señal, clasificarla y mostrar los resultados con la finalidad de verificar el
funcionamiento de forma individual y todo el sistema en conjunto.
1) La adquisición de señales con el sensor Myo Armband que revela el funcionamiento del sensor a
los estímulos en el área del músculo tibial realizando los ejercicios de flexión y extensión, en
diferentes posturas del paciente si se encuentra en posición vertical y sentada.
2) Prueba del éxito de entrenamiento entre el valor real vs el valor simulado, para verificar que el
error del entrenamiento sea lo más reducido ya que de ello dependerá el éxito del clasificador de
redes neuronales artificiales, dentro de esta prueba la persona sana estuvo en posición vertical
simulando con el pie derecho el ciclo de marcha.
En la (Figura. 12) se muestra las gráficas típicas de las señales EMG puras obtenidas cuando se
ejecuta cada fase del ciclo de marcha, típicamente las señales adquiridas por los electrodos del Myo
Armband puestos sobre el músculo de la persona, cuando este ejecuta un movimiento de contracción
o expansión muscular, son amplificadas y procesadas para la extracción de sus características.
Figura. 12 Señal EMG obtenida por el sensor Myo Armband en la posición media, fase apoyo talón, propulsión
y balanceo.
En el ciclo de la marcha a una velocidad moderadamente rápida, la pierna se movió con la flexión
completa a la extensión completa del músculo tibial. Se estimó los ángulos para la flexión y extensión
de la articulación del tobillo. Se obtuvo un ángulo correcto realizando una comparación entre la
medida de un goniómetro y el ángulo estimado por la Red neuronal. La (Figura. 14) muestra la
estimación de ángulos de la articulación del tobillo y el análisis de la señal EMG.
Sensors 2018, 18, x FOR PEER REVIEW 14 of 17
El prototipo final de órtesis robótica usado para obtener las señales EMG se muestra en la (Figura.
15). Los electrodos del Myo Armband captan la señal EMG del músculo tibial, esta es enviada al
computador para su clasificación en la red neuronal y a su vez la salida de la red vaya al controlador
para proceder a mover los actuadores encargados de mover la extremidad inferior como se puede
observar en la (Figura. 16).
Además de utilizar las señales EMG para el movimiento de los actuadores, se creó trayectorias de
movimiento pre programadas para ciclo de la marcha que representan un movimiento sinusoidal.
4. Conclusiones
el músculo de interés. En los movimientos que involucran la recuperación depende mucho de las
señales EMG adquiridas del músculo de la persona, mientras realice el ejercicio con un mayor
esfuerzo la señal aumentará y la recuperación avanza. Se utilizó la adquisición, clasificación y
muestra de señales con la finalidad de verificar el funcionamiento de forma individual y en conjunto
del sistema planteado. Cada persona ejerce un esfuerzo diferente para cumplir con el ciclo de la
marcha y las amplitudes variarán por tal razón la red es capaz de evitar estas confusiones ya que
algunos aspectos influyen en la reacción de la señal electromiográfica. La red neuronal artificial
utilizó la adquisición, clasificación y muestra de señales con la finalidad de que la órtesis en conjunto
con los actuadores (motores) y la extremidad inferior sean capaces de seguir el proceso de marcha
con normalidad.
References
[1] A. M. Dollar and H. Herr, “Lower extremity exoskeletons and active orthoses: Challenges and
state-of-the-art,” IEEE Trans. Robot., vol. 24, no. 1, pp. 144–158, 2008.
[2] M. Anheim, “Autosomal recessive cerebellar ataxias,” Rev. Neurol. (Paris)., vol. 167, no. 5, pp.
372–384, 2011.
[3] G. Gentiletti, M. V Urdaniz, M. A. Ortiz, and A. A. Bonardi, “Diseño y Simulación de una
Órtesis Robótica para Rehabilitación de la Marcha,” no. October 2009, 2017.
[4] H. C. Kang, J. H. Lee, and S. M. Kim, “Evaluation of joint moment patterns of a wearable
walking assistant robot: Experimental and simulation analyses,” Biomed. Mater. Eng., vol. 26,
pp. S717--S727, 2015.
[5] F. Patané, S. Rossi, F. Del Sette, J. Taborri, and P. Cappa, “WAKE-Up Exoskeleton to Assist
Children With Cerebral Palsy: Design and Preliminary Evaluation in Level Walking,” IEEE
Trans. Neural Syst. Rehabil. Eng., vol. 25, no. 7, pp. 906–916, 2017.
[6] M. E. Daachi, T. Madani, B. Daachi, and K. Djouani, “A radial basis function neural network
adaptive controller to drive a powered lower limb knee joint orthosis,” Appl. Soft Comput., vol.
34, pp. 324–336, 2015.
[7] P. Parker, K. Englehart, and B. Hudgins, “Myoelectric signal processing for control of
powered limb prostheses,” J. Electromyogr. Kinesiol., vol. 16, no. 6, pp. 541–548, 2006.
[8] E. G. S. Álvaro Ángel Orozco Gutiérrez, Gustavo Andrés Betancourt Orozco, “Determinación
de movimientos a partir de señales electromiográficas utilizando máquinas de soporte
vectorial .,” Rev. Médica Risaralda, vol. 11, no. c, p. 15, 2005.
[9] C. Calderon-Cordova, C. Ramirez, V. Barros, P. A. Quezada-Sarmiento, and L. Barba-
Guaman, “EMG signal patterns recognition based on feedforward Artificial Neural Network
applied to robotic prosthesis myoelectric control,” FTC 2016 - Proc. Futur. Technol. Conf., no.
December, pp. 868–875, 2017.
[10] R. Alba-Flores, S. Hickman, and A. S. Mirzakani, “Performance analysis of two ANN based
classifiers for EMG signals to identify hand motions,” in SoutheastCon 2016, 2016, pp. 1–5.
[11] N. Alibeji, N. Kirsch, B. E. Dicianno, and N. Sharma, “A Modified Dynamic Surface Controller
for Delayed Neuromuscular Electrical Stimulation,” IEEE/ASME Trans. Mechatronics, vol. 22,
Sensors 2018, 18, x FOR PEER REVIEW 16 of 17
© 2018 by the authors. Submitted for possible open access publication under the
terms and conditions of the Creative Commons Attribution (CC BY) license
(http://creativecommons.org/licenses/by/4.0/).