{"id":{"repo_id":"javeriana","oai_identifier":"oai:repository.javeriana.edu.co:10554/73377"},"canonical_url":"https://search.dev.ndltd.org/etd/javeriana/oai:repository.javeriana.edu.co:10554/73377","repository":{"repo_id":"javeriana","name":"Pontificia Universidad Javeriana","base_url":"https://repository.javeriana.edu.co/oai/request"},"display":{"title":"Identificación de patrones neuromotores asociados a movimientos de rehabilitación de la mano","abstract":"El Ataque cerebrovascular (ACV) es la primera causa de discapacidad en el mundo [1]. De acuerdo con la Organización Mundial de la Salud (OMS) un cuarto de la población mayor de 25 años sufrirá un ACV durante su vida [2]. Cerca del 85% de los pacientes presentan afectaciones en el miembro superior, como espasticidad, reducción en la amplitud y control del movimiento [3],[4]. Dado que la mano se encarga de aproximadamente el 90% de la funcionalidad del miembro superior, recuperar su funcionalidad es crucial para la reintegración del paciente a la vida diaria [5]. Estudiar las señales eléctricas de este circuito biológico, tanto a nivel cerebral como muscular, podría brindar información sobre la relación cortico muscular durante el proceso de rehabilitación de un ACV. Adicionalmente, podrían servir para identificar la intención del movimiento del paciente y controlar una prótesis de asistencia. En este trabajo se realizó un análisis de señales de electroencefalografía (EEG) y electromiografía (EMG) para decodificar movimientos asociados a ejercicios de rehabilitación de la mano (flexión de dedos y cierre de la mano). Se plantea un sistema de adquisición de EEG de 28 canales en simultaneo con 8 canales de EMG. Con la extracción de característica en espacio tiempo y frecuencia propias de las señales y características relacionadas a grafos. Se ponen a prueba diversos modelos de aprendizaje automático con matrices de características de naturaleza diferentes. Se selecciono el modelo de Ensemble bagged trees con el que se obtuvieron porcentajes superiores al 41.29% (predicción) y 43.71% (identificación) para la señal EEG. Para la señal EMG 59.79% (predicción) y 78.97%(identificación). Para las señales en conjunto se obtuvo 67.45% para la predicción y 84.74 para la identificación. Estableciendo la relevancia en el uso de las dos señales fisiológicas para la elaboración de desarrollos tecnológicos precisos y adaptables.","abstract_html":"El Ataque cerebrovascular (ACV) es la primera causa de discapacidad en el mundo [1]. De acuerdo con la Organización Mundial de la Salud (OMS) un cuarto de la población mayor de 25 años sufrirá un ACV durante su vida [2]. Cerca del 85% de los pacientes presentan afectaciones en el miembro superior, como espasticidad, reducción en la amplitud y control del movimiento [3],[4]. Dado que la mano se encarga de aproximadamente el 90% de la funcionalidad del miembro superior, recuperar su funcionalidad es crucial para la reintegración del paciente a la vida diaria [5]. Estudiar las señales eléctricas de este circuito biológico, tanto a nivel cerebral como muscular, podría brindar información sobre la relación cortico muscular durante el proceso de rehabilitación de un ACV. Adicionalmente, podrían servir para identificar la intención del movimiento del paciente y controlar una prótesis de asistencia. En este trabajo se realizó un análisis de señales de electroencefalografía (EEG) y electromiografía (EMG) para decodificar movimientos asociados a ejercicios de rehabilitación de la mano (flexión de dedos y cierre de la mano). Se plantea un sistema de adquisición de EEG de 28 canales en simultaneo con 8 canales de EMG. Con la extracción de característica en espacio tiempo y frecuencia propias de las señales y características relacionadas a grafos. Se ponen a prueba diversos modelos de aprendizaje automático con matrices de características de naturaleza diferentes. Se selecciono el modelo de Ensemble bagged trees con el que se obtuvieron porcentajes superiores al 41.29% (predicción) y 43.71% (identificación) para la señal EEG. Para la señal EMG 59.79% (predicción) y 78.97%(identificación). Para las señales en conjunto se obtuvo 67.45% para la predicción y 84.74 para la identificación. Estableciendo la relevancia en el uso de las dos señales fisiológicas para la elaboración de desarrollos tecnológicos precisos y adaptables.","abstract_has_math":false,"creators":["Soto Florido, Michelle"],"institution":"Pontificia Universidad Javeriana","degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":["Alvarado Rojas, Catalina","Colorado Montaño, Julian David"],"committee_chairs":[],"committee_members":[],"year":null,"date_issued":"","date_published":null,"updated_at":"2026-08-21T22:21:56Z","subjects":["Electroencefalografía","Electromiografía","Aprendizaje Automatico"],"languages":["spa"],"rights":[],"rights_urls":["http://creativecommons.org/licenses/by-nc-nd/4.0/"],"identifier_entries":[]},"links":{"outbound_url":"http://hdl.handle.net/10554/73377","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%2F73377","prefix":"dim"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Alvarado Rojas, Catalina","Colorado Montaño, Julian David"]},{"key":"dc:creator","label":"Author","values":["Soto Florido, Michelle"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2026-06-18T20:22:00Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2026-06-18T20:22:00Z"]},{"key":"dc:publisher","label":"Institution","values":["Pontificia Universidad Javeriana"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Electroencefalografía","Electromiografía","Aprendizaje Automatico"]}]},{"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/10554/73377"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["El Ataque cerebrovascular (ACV) es la primera causa de discapacidad en el mundo [1]. De acuerdo con la Organización Mundial de la Salud (OMS) un cuarto de la población mayor de 25 años sufrirá un ACV durante su vida [2]. Cerca del 85% de los pacientes presentan afectaciones en el miembro superior, como espasticidad, reducción en la amplitud y control del movimiento [3],[4]. Dado que la mano se encarga de aproximadamente el 90% de la funcionalidad del miembro superior, recuperar su funcionalidad es crucial para la reintegración del paciente a la vida diaria [5]. Estudiar las señales eléctricas de este circuito biológico, tanto a nivel cerebral como muscular, podría brindar información sobre la relación cortico muscular durante el proceso de rehabilitación de un ACV. Adicionalmente, podrían servir para identificar la intención del movimiento del paciente y controlar una prótesis de asistencia. En este trabajo se realizó un análisis de señales de electroencefalografía (EEG) y electromiografía (EMG) para decodificar movimientos asociados a ejercicios de rehabilitación de la mano (flexión de dedos y cierre de la mano). Se plantea un sistema de adquisición de EEG de 28 canales en simultaneo con 8 canales de EMG. Con la extracción de característica en espacio tiempo y frecuencia propias de las señales y características relacionadas a grafos. Se ponen a prueba diversos modelos de aprendizaje automático con matrices de características de naturaleza diferentes. Se selecciono el modelo de Ensemble bagged trees con el que se obtuvieron porcentajes superiores al 41.29% (predicción) y 43.71% (identificación) para la señal EEG. Para la señal EMG 59.79% (predicción) y 78.97%(identificación). Para las señales en conjunto se obtuvo 67.45% para la predicción y 84.74 para la identificación. Estableciendo la relevancia en el uso de las dos señales fisiológicas para la elaboración de desarrollos tecnológicos precisos y adaptables."]},{"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":["Identificación de patrones neuromotores asociados a movimientos de rehabilitación de la mano"]}]}],"canonical_facts":{"dc:contributor.advisor":["Alvarado Rojas, Catalina","Colorado Montaño, Julian David"],"dc:creator":["Soto Florido, Michelle"],"dc:date.accessioned":["2026-06-18T20:22:00Z"],"dc:date.available":["2026-06-18T20:22:00Z"],"dc:description.abstract":["El Ataque cerebrovascular (ACV) es la primera causa de discapacidad en el mundo [1]. De acuerdo con la Organización Mundial de la Salud (OMS) un cuarto de la población mayor de 25 años sufrirá un ACV durante su vida [2]. Cerca del 85% de los pacientes presentan afectaciones en el miembro superior, como espasticidad, reducción en la amplitud y control del movimiento [3],[4]. Dado que la mano se encarga de aproximadamente el 90% de la funcionalidad del miembro superior, recuperar su funcionalidad es crucial para la reintegración del paciente a la vida diaria [5]. Estudiar las señales eléctricas de este circuito biológico, tanto a nivel cerebral como muscular, podría brindar información sobre la relación cortico muscular durante el proceso de rehabilitación de un ACV. Adicionalmente, podrían servir para identificar la intención del movimiento del paciente y controlar una prótesis de asistencia. En este trabajo se realizó un análisis de señales de electroencefalografía (EEG) y electromiografía (EMG) para decodificar movimientos asociados a ejercicios de rehabilitación de la mano (flexión de dedos y cierre de la mano). Se plantea un sistema de adquisición de EEG de 28 canales en simultaneo con 8 canales de EMG. Con la extracción de característica en espacio tiempo y frecuencia propias de las señales y características relacionadas a grafos. Se ponen a prueba diversos modelos de aprendizaje automático con matrices de características de naturaleza diferentes. Se selecciono el modelo de Ensemble bagged trees con el que se obtuvieron porcentajes superiores al 41.29% (predicción) y 43.71% (identificación) para la señal EEG. Para la señal EMG 59.79% (predicción) y 78.97%(identificación). Para las señales en conjunto se obtuvo 67.45% para la predicción y 84.74 para la identificación. Estableciendo la relevancia en el uso de las dos señales fisiológicas para la elaboración de desarrollos tecnológicos precisos y adaptables."],"dc:format":["PDF"],"dc:format.mimetype":["application/pdf"],"dc:identifier.uri":["http://hdl.handle.net/10554/73377"],"dc:language.iso":["spa"],"dc:publisher":["Pontificia Universidad Javeriana"],"dc:rights.uri":["http://creativecommons.org/licenses/by-nc-nd/4.0/"],"dc:subject":["Electroencefalografía","Electromiografía","Aprendizaje Automatico"],"dc:title":["Identificación de patrones neuromotores asociados a movimientos de rehabilitación de la mano"]},"updated_at":"2026-08-21T22:21:56Z"}