{"id":{"repo_id":"javeriana","oai_identifier":"oai:repository.javeriana.edu.co:10554/70475"},"canonical_url":"https://search.dev.ndltd.org/etd/javeriana/oai:repository.javeriana.edu.co:10554/70475","repository":{"repo_id":"javeriana","name":"Pontificia Universidad Javeriana","base_url":"https://repository.javeriana.edu.co/oai/request"},"display":{"title":"Sistema embebido de detección de intención de movimiento basado en sEMG para la rehabilitación inteligente de pacientes post-ictus","abstract":"La electromiografía de superficie (sEMG) se ha consolidado como una herramienta indispensable para la interpretación de movimientos de la mano, especialmente en el contexto de la rehabilitación post-ACV. Este estudio presenta un sistema integrado en dispositivo diseñado para el reconocimiento de seis gestos manuales distintos a partir de se˜nales sEMG, lo que permite el control en tiempo real de dispositivos de asistencia livianos. El conjunto de datos utilizado se desarrolló a partir de registros sEMG de 40 participantes sanos. Se implementó una extensa canalización de ingeniería de características para extraer información relevante en los dominios del tiempo y la frecuencia, al tiempo que se reducía la dimensionalidad. Se entrenaron dos modelos de aprendizaje automático, una red neuronal y un bosque de ensamblado, y se desplegaron posteriormente utilizando técnicas de TinyML en un dispositivo con recursos limitados de hardware. El sistema embebido es capaz de realizar inferencias en tiempo real dentro de estrictas restricciones de energía, memoria y latencia. La evaluación de los modelos incluyó pruebas en el borde y experimentación en tiempo real con sujetos humanos utilizando el sistema embebido, con el fin de medir el desempeño bajo condiciones operativas realistas. Los resultados confirman la viabilidad de integrar aprendizaje automático en dispositivos de rehabilitaci´on, allanando as´ı el camino hacia ayudas de movilidad manual autónomas y fáciles de usar en el proceso de recuperación de personas con secuelas de ACV.","abstract_html":"La electromiografía de superficie (sEMG) se ha consolidado como una herramienta indispensable para la interpretación de movimientos de la mano, especialmente en el contexto de la rehabilitación post-ACV. Este estudio presenta un sistema integrado en dispositivo diseñado para el reconocimiento de seis gestos manuales distintos a partir de se˜nales sEMG, lo que permite el control en tiempo real de dispositivos de asistencia livianos. El conjunto de datos utilizado se desarrolló a partir de registros sEMG de 40 participantes sanos. Se implementó una extensa canalización de ingeniería de características para extraer información relevante en los dominios del tiempo y la frecuencia, al tiempo que se reducía la dimensionalidad. Se entrenaron dos modelos de aprendizaje automático, una red neuronal y un bosque de ensamblado, y se desplegaron posteriormente utilizando técnicas de TinyML en un dispositivo con recursos limitados de hardware. El sistema embebido es capaz de realizar inferencias en tiempo real dentro de estrictas restricciones de energía, memoria y latencia. La evaluación de los modelos incluyó pruebas en el borde y experimentación en tiempo real con sujetos humanos utilizando el sistema embebido, con el fin de medir el desempeño bajo condiciones operativas realistas. Los resultados confirman la viabilidad de integrar aprendizaje automático en dispositivos de rehabilitaci´on, allanando as´ı el camino hacia ayudas de movilidad manual autónomas y fáciles de usar en el proceso de recuperación de personas con secuelas de ACV.","abstract_has_math":false,"creators":["Gomez Bautista, Andres David"],"institution":"Pontificia Universidad Javeriana","degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":["Méndez Chaves, Diego","Colorado Montaño, Julian David"],"committee_chairs":[],"committee_members":[],"year":null,"date_issued":"","date_published":null,"updated_at":"2026-08-21T22:21:56Z","subjects":["Ingeniería de características","Reconocimiento de gestos","Tiempo real","TinyML"],"languages":["spa"],"rights":[],"rights_urls":["http://creativecommons.org/licenses/by-nc-nd/4.0/"],"identifier_entries":[]},"links":{"outbound_url":"http://hdl.handle.net/10554/70475","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"source_record":{"url":"https://repository.javeriana.edu.co/oai/request?verb=GetRecord&metadataPrefix=dim&identifier=oai%3Arepository.javeriana.edu.co%3A10554%2F70475","prefix":"dim"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Méndez Chaves, Diego","Colorado Montaño, Julian David"]},{"key":"dc:creator","label":"Author","values":["Gomez Bautista, Andres David"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2025-07-22T21:47:54Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2025-07-22T21:47:54Z"]},{"key":"dc:publisher","label":"Institution","values":["Pontificia Universidad Javeriana"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Ingeniería de características","Reconocimiento de gestos","Tiempo real","TinyML"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["spa"]},{"key":"dc:rights.uri","label":"Rights URI","values":["http://creativecommons.org/licenses/by-nc-nd/4.0/"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["http://hdl.handle.net/10554/70475"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["La electromiografía de superficie (sEMG) se ha consolidado como una herramienta indispensable para la interpretación de movimientos de la mano, especialmente en el contexto de la rehabilitación post-ACV. Este estudio presenta un sistema integrado en dispositivo diseñado para el reconocimiento de seis gestos manuales distintos a partir de se˜nales sEMG, lo que permite el control en tiempo real de dispositivos de asistencia livianos. El conjunto de datos utilizado se desarrolló a partir de registros sEMG de 40 participantes sanos. Se implementó una extensa canalización de ingeniería de características para extraer información relevante en los dominios del tiempo y la frecuencia, al tiempo que se reducía la dimensionalidad. Se entrenaron dos modelos de aprendizaje automático, una red neuronal y un bosque de ensamblado, y se desplegaron posteriormente utilizando técnicas de TinyML en un dispositivo con recursos limitados de hardware. El sistema embebido es capaz de realizar inferencias en tiempo real dentro de estrictas restricciones de energía, memoria y latencia. La evaluación de los modelos incluyó pruebas en el borde y experimentación en tiempo real con sujetos humanos utilizando el sistema embebido, con el fin de medir el desempeño bajo condiciones operativas realistas. Los resultados confirman la viabilidad de integrar aprendizaje automático en dispositivos de rehabilitaci´on, allanando as´ı el camino hacia ayudas de movilidad manual autónomas y fáciles de usar en el proceso de recuperación de personas con secuelas de ACV."]},{"key":"dc:format","label":"Dc Format","values":["PDF"]},{"key":"dc:format.mimetype","label":"Dc Format Mimetype","values":["application/pdf"]},{"key":"dc:title","label":"Title","values":["Sistema embebido de detección de intención de movimiento basado en sEMG para la rehabilitación inteligente de pacientes post-ictus"]}]}],"canonical_facts":{"dc:contributor.advisor":["Méndez Chaves, Diego","Colorado Montaño, Julian David"],"dc:creator":["Gomez Bautista, Andres David"],"dc:date.accessioned":["2025-07-22T21:47:54Z"],"dc:date.available":["2025-07-22T21:47:54Z"],"dc:description.abstract":["La electromiografía de superficie (sEMG) se ha consolidado como una herramienta indispensable para la interpretación de movimientos de la mano, especialmente en el contexto de la rehabilitación post-ACV. Este estudio presenta un sistema integrado en dispositivo diseñado para el reconocimiento de seis gestos manuales distintos a partir de se˜nales sEMG, lo que permite el control en tiempo real de dispositivos de asistencia livianos. El conjunto de datos utilizado se desarrolló a partir de registros sEMG de 40 participantes sanos. Se implementó una extensa canalización de ingeniería de características para extraer información relevante en los dominios del tiempo y la frecuencia, al tiempo que se reducía la dimensionalidad. Se entrenaron dos modelos de aprendizaje automático, una red neuronal y un bosque de ensamblado, y se desplegaron posteriormente utilizando técnicas de TinyML en un dispositivo con recursos limitados de hardware. El sistema embebido es capaz de realizar inferencias en tiempo real dentro de estrictas restricciones de energía, memoria y latencia. La evaluación de los modelos incluyó pruebas en el borde y experimentación en tiempo real con sujetos humanos utilizando el sistema embebido, con el fin de medir el desempeño bajo condiciones operativas realistas. Los resultados confirman la viabilidad de integrar aprendizaje automático en dispositivos de rehabilitaci´on, allanando as´ı el camino hacia ayudas de movilidad manual autónomas y fáciles de usar en el proceso de recuperación de personas con secuelas de ACV."],"dc:format":["PDF"],"dc:format.mimetype":["application/pdf"],"dc:identifier.uri":["http://hdl.handle.net/10554/70475"],"dc:language.iso":["spa"],"dc:publisher":["Pontificia Universidad Javeriana"],"dc:rights.uri":["http://creativecommons.org/licenses/by-nc-nd/4.0/"],"dc:subject":["Ingeniería de características","Reconocimiento de gestos","Tiempo real","TinyML"],"dc:title":["Sistema embebido de detección de intención de movimiento basado en sEMG para la rehabilitación inteligente de pacientes post-ictus"]},"updated_at":"2026-08-21T22:21:56Z"}