{"id":{"repo_id":"lima","oai_identifier":"oai:repositorio.ulima.edu.pe:20.500.12724/22913"},"canonical_url":"https://search.dev.ndltd.org/etd/lima/oai:repositorio.ulima.edu.pe:20.500.12724/22913","repository":{"repo_id":"lima","name":"Universidad de Lima","base_url":"https://repositorio.ulima.edu.pe/oai/request"},"display":{"title":"Clasificación de señales musculares para prótesis de extremidad superior a través de sensores de bajo costo","abstract":"La presente investigación consiste en la recolección y procesamiento de señales musculares de treinta y siete (37) sujetos de prueba en función de tres (03) movimientos predefinidos. Estas señales fueron recolectadas a través del sensor de bajo costo Myoware Muscle Sensor (37 USD) y una placa de hardware libre (Arduino Mega 2560). Posteriormente, dichas señales fueron depuradas a través de un filtro pasa bajo con la finalidad de reducir el ruido inherente del sensor. Posterior a ello se aplicó el algoritmo de FastICA con la finalidad de descomponer las señales y entender de mejor manera los componentes y características que estos presentan. Finalmente, con las señales libres de ruido y reconstruidas en función de sus componentes, se realizó la clasificación según el movimiento al que dicho componente corresponde a través de técnicas de Machine Learning. La investigación se realizó con la finalidad de sentar las bases para un modelo de clasificación de señales musculares adecuado y preciso para, en un futuro, implementar una prótesis de extremidad superior accesible a personas de bajos recursos, alcanzando un porcentaje de exactitud en los movimientos del 86,9565%.","abstract_html":"La presente investigación consiste en la recolección y procesamiento de señales musculares de treinta y siete (37) sujetos de prueba en función de tres (03) movimientos predefinidos. Estas señales fueron recolectadas a través del sensor de bajo costo Myoware Muscle Sensor (37 USD) y una placa de hardware libre (Arduino Mega 2560). Posteriormente, dichas señales fueron depuradas a través de un filtro pasa bajo con la finalidad de reducir el ruido inherente del sensor. Posterior a ello se aplicó el algoritmo de FastICA con la finalidad de descomponer las señales y entender de mejor manera los componentes y características que estos presentan. Finalmente, con las señales libres de ruido y reconstruidas en función de sus componentes, se realizó la clasificación según el movimiento al que dicho componente corresponde a través de técnicas de Machine Learning. La investigación se realizó con la finalidad de sentar las bases para un modelo de clasificación de señales musculares adecuado y preciso para, en un futuro, implementar una prótesis de extremidad superior accesible a personas de bajos recursos, alcanzando un porcentaje de exactitud en los movimientos del 86,9565%.","abstract_has_math":false,"creators":["Ayala Galván, Diana Del Milagro"],"institution":"Universidad de Lima","degree_name":"Ingeniero de Sistemas","degree_level":"Título profesional","degree_discipline":"Ingeniería de Sistemas","degree_department":null,"school":null,"contributors":[],"advisors":["Gutiérrez Cárdenas, Juan Manuel"],"committee_chairs":[],"committee_members":[],"year":2024,"date_issued":"2024","date_published":"2024","updated_at":"2026-07-24T02:50:27Z","subjects":["Electromiografía","Procesamiento de señales","Inteligencia artificial","Sistemas hombre-máquina","Arduino (Controlador programable)","Análisis de series de tiempo","Instrumentos y aparatos médicos","Análisis de componentes independientes"],"languages":["spa"],"rights":["info:eu-repo/semantics/openAccess"],"rights_urls":["https://creativecommons.org/licenses/by-nc-sa/4.0/"],"identifier_entries":[]},"links":{"outbound_url":"https://hdl.handle.net/20.500.12724/22913","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Gutiérrez Cárdenas, Juan Manuel"]},{"key":"dc:creator","label":"Author","values":["Ayala Galván, Diana Del Milagro"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2025-07-08T20:15:28Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2025-07-08T20:15:28Z"]},{"key":"dc:date.issued","label":"Date","values":["2024"]},{"key":"dc:publisher","label":"Institution","values":["Universidad de Lima"]},{"key":"dc:type","label":"Dc Type","values":["info:eu-repo/semantics/bachelorThesis"]},{"key":"thesis:degree_discipline","label":"Discipline","values":["Ingeniería de Sistemas"]},{"key":"thesis:degree_level","label":"Degree Level","values":["Título profesional"]},{"key":"thesis:degree_name","label":"Degree Name","values":["Ingeniero de Sistemas"]},{"key":"thesis:institution_name","label":"Thesis Institution Name","values":["Universidad de Lima. Facultad de Ingeniería"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Electromiografía","Procesamiento de señales","Inteligencia artificial","Sistemas hombre-máquina","Arduino (Controlador programable)","Análisis de series de tiempo","Instrumentos y aparatos médicos","Análisis de componentes independientes"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["spa"]},{"key":"dc:rights","label":"Dc Rights","values":["info:eu-repo/semantics/openAccess"]},{"key":"dc:rights.uri","label":"Rights URI","values":["https://creativecommons.org/licenses/by-nc-sa/4.0/"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://hdl.handle.net/20.500.12724/22913"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["La presente investigación consiste en la recolección y procesamiento de señales musculares de treinta y siete (37) sujetos de prueba en función de tres (03) movimientos predefinidos. Estas señales fueron recolectadas a través del sensor de bajo costo Myoware Muscle Sensor (37 USD) y una placa de hardware libre (Arduino Mega 2560). Posteriormente, dichas señales fueron depuradas a través de un filtro pasa bajo con la finalidad de reducir el ruido inherente del sensor. Posterior a ello se aplicó el algoritmo de FastICA con la finalidad de descomponer las señales y entender de mejor manera los componentes y características que estos presentan. Finalmente, con las señales libres de ruido y reconstruidas en función de sus componentes, se realizó la clasificación según el movimiento al que dicho componente corresponde a través de técnicas de Machine Learning. La investigación se realizó con la finalidad de sentar las bases para un modelo de clasificación de señales musculares adecuado y preciso para, en un futuro, implementar una prótesis de extremidad superior accesible a personas de bajos recursos, alcanzando un porcentaje de exactitud en los movimientos del 86,9565%.","The present research consists of the collection and processing of muscular signals of thirty-seven (37) test subjects based on three (03) predefined movements. These signals were collected through the low-cost sensor Myoware Muscle Sensor (37 USD) and an open-source hardware board (Arduino Mega 2560). Subsequently, these signals were filtered through a low pass filter in order to reduce the inherent noise of the sensor. After that, the FastICA algorithm was applied in order to break down the signals and get a better understanding of the components and features they present. Finally, with the noise-free and reconstructed signals, the classification was made according to the type of movement through Machine Learning techniques. The research was carried out in order to lay the foundations for a proper and accurate muscle signal classification model in order to, in the future, implement an upper limb prosthesis accessible to low-income people, reaching a percentage of accuracy in movements of 86.9565%"]},{"key":"dc:format","label":"Dc Format","values":["application/pdf"]},{"key":"dc:title","label":"Title","values":["Clasificación de señales musculares para prótesis de extremidad superior a través de sensores de bajo costo"]}]}],"canonical_facts":{"dc:contributor.advisor":["Gutiérrez Cárdenas, Juan Manuel"],"dc:creator":["Ayala Galván, Diana Del Milagro"],"dc:date.accessioned":["2025-07-08T20:15:28Z"],"dc:date.available":["2025-07-08T20:15:28Z"],"dc:date.issued":["2024"],"dc:description.abstract":["La presente investigación consiste en la recolección y procesamiento de señales musculares de treinta y siete (37) sujetos de prueba en función de tres (03) movimientos predefinidos. Estas señales fueron recolectadas a través del sensor de bajo costo Myoware Muscle Sensor (37 USD) y una placa de hardware libre (Arduino Mega 2560). Posteriormente, dichas señales fueron depuradas a través de un filtro pasa bajo con la finalidad de reducir el ruido inherente del sensor. Posterior a ello se aplicó el algoritmo de FastICA con la finalidad de descomponer las señales y entender de mejor manera los componentes y características que estos presentan. Finalmente, con las señales libres de ruido y reconstruidas en función de sus componentes, se realizó la clasificación según el movimiento al que dicho componente corresponde a través de técnicas de Machine Learning. La investigación se realizó con la finalidad de sentar las bases para un modelo de clasificación de señales musculares adecuado y preciso para, en un futuro, implementar una prótesis de extremidad superior accesible a personas de bajos recursos, alcanzando un porcentaje de exactitud en los movimientos del 86,9565%.","The present research consists of the collection and processing of muscular signals of thirty-seven (37) test subjects based on three (03) predefined movements. These signals were collected through the low-cost sensor Myoware Muscle Sensor (37 USD) and an open-source hardware board (Arduino Mega 2560). Subsequently, these signals were filtered through a low pass filter in order to reduce the inherent noise of the sensor. After that, the FastICA algorithm was applied in order to break down the signals and get a better understanding of the components and features they present. Finally, with the noise-free and reconstructed signals, the classification was made according to the type of movement through Machine Learning techniques. The research was carried out in order to lay the foundations for a proper and accurate muscle signal classification model in order to, in the future, implement an upper limb prosthesis accessible to low-income people, reaching a percentage of accuracy in movements of 86.9565%"],"dc:format":["application/pdf"],"dc:identifier.uri":["https://hdl.handle.net/20.500.12724/22913"],"dc:language.iso":["spa"],"dc:publisher":["Universidad de Lima"],"dc:rights":["info:eu-repo/semantics/openAccess"],"dc:rights.uri":["https://creativecommons.org/licenses/by-nc-sa/4.0/"],"dc:subject":["Electromiografía","Procesamiento de señales","Inteligencia artificial","Sistemas hombre-máquina","Arduino (Controlador programable)","Análisis de series de tiempo","Instrumentos y aparatos médicos","Análisis de componentes independientes"],"dc:title":["Clasificación de señales musculares para prótesis de extremidad superior a través de sensores de bajo costo"],"dc:type":["info:eu-repo/semantics/bachelorThesis"],"thesis:degree_discipline":["Ingeniería de Sistemas"],"thesis:degree_level":["Título profesional"],"thesis:degree_name":["Ingeniero de Sistemas"],"thesis:institution_name":["Universidad de Lima. Facultad de Ingeniería"]},"updated_at":"2026-07-24T02:50:27Z"}