Sistema digital automático para la clasificación en tiempo real de gestos de la mano a partir de señales EMG superficiales

"El Accidente Cerebrovascular (ACV) constituye una emergencia médica crítica y representa, en Argentina, la primera causa de discapacidad neurológica en adultos mayores de 40 años. Las secuelas motoras, particularmente en el miembro superior, comprometen severamente la calidad de vida. Si bien las terapias convencionales de rehabilitación motora son efectivas, su naturaleza repetitiva suele generar agotamiento mental y desmotivación en los pacientes, lo que impacta negativamente en la adherencia al tratamiento. Como alternativa, la rehabilitación en entornos lúdicos (gamificación) permite enmascarar la terapia bajo objetivos concretos en un ambiente estimulante, promoviendo la repetición de movimientos sin la carga de monotonía tradicional, por ejemplo, mediante el uso de Realidad Virtual. Para que esta modalidad sea efectiva, resulta indispensable contar con un mecanismo capaz de decodificar de manera automática la intención motora y corregir al paciente durante la ejecución en tiempo real. En respuesta a esta necesidad, este Proyecto propone como solución el desarrollo de un sistema digital automático de clasificación de gestos de la mano en tiempo real mediante señales de electromiografía superficial (sEMG), con el fin de asistir en la reeducación motora de personas que posean secuelas en sus manos luego de sufrir un ACV. El desarrollo del Proyecto se sustentó en seis pilares fundamentales: el diseño de un protocolo estandarizado para la adquisición de señales electromiográficas de superficie (sEMG); la construcción de una base de datos diversa que abarca múltiples gestos de la mano; el desarrollo de una aplicación con interfaz gráfica (GUI) dedicada al registro y procesamiento de estas señales en tiempo real; un análisis exhaustivo de los datos para extraer las características clave que definen los requerimientos del sistema; la selección y optimización de un modelo de aprendizaje automático para la clasificación gestual (validado tanto en escenarios offline como online); y la implementación de una arquitectura que proporciona feedback inmediato al usuario en intervalos cortos, cercanos al tiempo real. En cuanto a los resultados, se definió un protocolo de adquisición de señales de sEMG que contempla 13 gestos (incluyendo reposo, oposición de dedos, movimientos individuales y motricidad gruesa), una guía estandarizada para la colocación de sensores de EMG y tiempos definidos de preactividad (10 s), actividad (15 s) y posactividad (5 s). A partir de este protocolo, se consolidó una base de datos con 52 registros provenientes de 16 sujetos (8 mujeres y 8 hombres), garantizando variabilidad en la muestra. Para la gestión del sistema, se desarrolló una aplicación de escritorio modular que integra funcionalidades de registro de señales, clasificación y calibración en tiempo real, evaluación del modelo mediante predicciones, visualización de señales y gestión de usuarios. El análisis de datos incluyó el estudio de similitud de señales a partir de su valor eficaz (RMS), la reducción de dimensionalidad para evaluar la separabilidad de los gestos y la corroboración de la necesidad de utilizar modelos no lineales debido a la complejidad de las señales. El modelado de datos se basó en una selección heurística de características (de tipo dominio temporal, bivariadas y basadas en Coeficientes Wavelet) y la elección del algoritmo XGBoost, destacado por su capacidad de generalización y eficiencia computacional. Utilizando una partición de datos del 60% para entrenamiento, 20% para validación y 20% para prueba, se alcanzó una exactitud offline del 87.78%. En el entorno online, la calidad de detección fue del 86.13% sin calibración previa y del 85.16% con ella. Respecto a la latencia, se lograron tiempos de cómputo de predicción entre 8 y 26 ms, con un período efectivo de predicción en tiempo de ejecución de aproximadamente 170 ms, asegurando una respuesta fluida. En conclusión, se cumplieron todos los objetivos de mínima y de máxima propuestos, a excepción de alcanzar el 90% de exactitud en la clasificación. A futuro, se recomienda ampliar la base de datos con más registros bajo diversas condiciones ambientales y de ejecución, así como explorar la paralelización de tareas en el software para optimizar aún más el rendimiento en tiempo real".