Maestría en Ingeniería

Permanent URI for this collection

http://localhost:4000/handle/123456789/1141

Browse

Browsing Maestría en Ingeniería by Author "Callejas Cabarcas, Mario José"
  • Item
    IMPLEMENTACIÓN DE UN SISTEMA DE ADQUISICIÓN, PROCESAMIENTO Y CLASIFICACIÓN DE SEÑALES EMG PARA DETECCIÓN DE FATIGA MUSCULAR EN EJERCICIOS DE FUERZA
    (Universidad del Magdalena, Maestría en Ingeniería, 2024) Callejas Cabarcas, Mario José ; Polo Llanos, Aura Margarita ; Robles Algarín, Carlos Arturo
    En este trabajo se presenta el desarrollo de un sistema de adquisición, procesamiento y clasificación de señales electromiográficas (EMG) con el propósito de detectar la fatiga muscular en ejercicios de fuerza. Uno de los enfoques principales del proyecto es implementar algoritmos de segmentación en tiempo real de las señales EMG, con una base de datos previamente recopilada y analizada. La metodología adoptada incluye un análisis de la base de datos, una revisión bibliográfica detallada de los algoritmos de segmentación existentes y evaluaciones cualitativas y cuantitativas para garantizar la calidad y eficacia del sistema desarrollado. En el proceso, se ha diseñado y construido un prototipo que permite la adquisición, procesamiento y clasificación de las señales EMG. Este prototipo se complementa con una interfaz de usuario intuitiva que facilita la visualización de las señales y el seguimiento del estado de fatiga. La infraestructura en la nube utilizada para este propósito se basa en la plataforma Amazon Web Services (AWS), que proporciona la capacidad necesaria para almacenar y gestionar los datos de manera eficiente. En la evaluación del rendimiento computacional de los algoritmos implementados, se han empleado diversas métricas, incluyendo el consumo de memoria RAM, la carga de la CPU y los tiempos de procesamiento. Al medir la precisión del algoritmo de segmentación, los resultados obtenidos son altamente alentadores, con un nivel de precisión del 87,5% en la segmentación de señales correspondientes al músculo bíceps y un 71% de precisión en las señales del tríceps, también se exploraron alternativas de segmentación de señales EMG utilizando señales externas.