Desarrollo de un algoritmo en tiempo real para la detección de gestos de mano y muñeca mediante técnicas de aprendizaje automático

Abstract

La electromiografía (EMG) es una técnica de registro de la actividad eléctrica producida por los músculos esqueléticos mediante electrodos intramusculares o superficiales. Este TFG aborda el diseño e implementación de reconocimiento de gestos de la mano basado en el procesamiento de señales EMG y de orientación obtenidas del sensor Trigno Duo de Delsys. Para la diferenciación de movimientos se han utilizado modelos de aprendizaje máquina o Machine Learning como Random Forest, KNN, Linear SVC, Logistic Regression o Gradient Boosting. Se han entrenado los modelos mediante la validación cruzada anidada para la selección de hiperparámetros junto a un esquema LOSO para evaluar la capacidad de generalización intersujeto. Los clasificadores lineares, Linear SVC y Logistic Regression obtuvieron los mejores resultados con 75% de precisión.

Electromyography (EMG) is a technique used to record the electrical activity produced by skeletal muscles using intramuscular or surface electrodes. This Final Degree Project focuses on the design and implementation of a hand gesture recognition system based on processing of EMG signals and orientations data acquired from the Trigno Duo Sensor by Delsys. To distinguish between different hand movements, various machine learning models were employed, included Random Forest, Linear SVC, Logistic Regression and Gradient Boosting. The models were trained using nested cross-validation for hyperparameter tuning, combined with a Leave-One-Subject-Out (LOSO) scheme to asses inter-subject generalization. Linear classifiers, specifically Linear SVC and Logistic Regression, achieved the best performance with an accuracy of 75%