Diseño de prototipo de prótesis mioeléctrica con detección de fatiga muscular

Barreto Merlano, Francisco José; Palacio Pedraza, Daniela María; Zárate Rodríguez, Leonel Eduardo

Diseño de prototipo de prótesis mioeléctrica con detección de fatiga muscular

datacite.rights	http://purl.org/coar/access_right/c_f1cf
dc.contributor.advisor	Miranda Giraldo, Michael
dc.contributor.author	Barreto Merlano, Francisco José
dc.contributor.author	Palacio Pedraza, Daniela María
dc.contributor.author	Zárate Rodríguez, Leonel Eduardo
dc.date.accessioned	2026-06-01T21:36:39Z
dc.date.available	2026-06-01T21:36:39Z
dc.date.issued	2025
dc.description.abstract	Este artículo presenta el diseño y desarrollo de un prototipo de prótesis mioeléctrica de bajo costo con detección de fatiga muscular basada en el análisis de señales electromiográficas (EMG). El sistema integra una estructura mecánica impresa en 3D, un servomotor para la articulación de la mano y un módulo electrónico basado en el microcontrolador ESP32. Para el procesamiento de señales se emplearon registros EMG de la base de datos Ninapro y un sensor MyoWare en fase de validación. Las señales fueron filtradas y segmentadas para la extracción de métricas temporales (RMS, MAV, Varianza y Waveform Length), las cuales alimentaron un clasificador Linear Discriminant Analysis (LDA) encargado de diferenciar entre reposo y contracción. Se simuló la fatiga muscular modificando la amplitud y la frecuencia efectiva de la señal, observando un incremento promedio del 150–300 % en las métricas extraídas y una reducción en la precisión del clasificador (75 % sin fatiga → ≈60 % con fatiga). Los resultados evidencian que la fatiga altera el control mioeléctrico y genera fallos en el movimiento protésico, lo que confirma la necesidad de incorporar sistemas de monitoreo y adaptación en el control de prótesis. El prototipo constituye una base funcional para futuros desarrollos orientados a compensar la fatiga en tiempo real.	spa
dc.description.abstract	his article presents the design and development of a low-cost myoelectric prosthesis prototype with muscle fatigue detection based on the analysis of electromyographic (EMG) signals. The system integrates a 3D-printed mechanical structure, a servo motor for hand articulation, and an electronic module based on the ESP32 microcontroller. For signal processing, EMG recordings from the Ninapro database and a MyoWare sensor (in the validation phase) were used. The signals were filtered and segmented for the extraction of temporal metrics (RMS, MAV, Variance, and Waveform Length), which were then fed into a Linear Discriminant Analysis (LDA) classifier responsible for distinguishing between rest and contraction states. Muscle fatigue was simulated by modifying the signal’s amplitude and effective frequency, resulting in an average increase of 150–300% in the extracted metrics and a decrease in classifier accuracy (75% without fatigue → ≈60% with fatigue). The results show that fatigue alters myoelectric control and causes failures in prosthetic movement, confirming the need to incorporate monitoring and adaptive control systems in prostheses. The prototype provides a functional foundation for future developments aimed at compensating fatigue in real time.	eng
dc.format.mimetype	pdf
dc.identifier.universitycode	202211640772
dc.identifier.universitycode	202213042245
dc.identifier.universitycode	202213042879
dc.identifier.uri	https://hdl.handle.net/20.500.12442/17870
dc.language.iso	spa
dc.publisher	Ediciones Universidad Simón Bolívar	spa
dc.publisher	Facultad de Ingenierías	spa
dc.rights	Attribution-NonCommercial-NoDerivatives 4.0 International	eng
dc.rights.accessrights	info:eu-repo/semantics/embargoedAccess
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject	Prótesis mioeléctrica	spa
dc.subject	Señal EMG	spa
dc.subject	Fatiga muscular	spa
dc.subject	Microcontrolador	spa
dc.subject	Servomotor	spa
dc.subject.keywords	Myoelectric prosthesis	eng
dc.subject.keywords	EMG signal	eng
dc.subject.keywords	Muscle fatigue	eng
dc.subject.keywords	Microcontroller	eng
dc.title	Diseño de prototipo de prótesis mioeléctrica con detección de fatiga muscular	spa
dc.type.driver	info:eu-repo/semantics/other
dc.type.spa	Trabajo de grado - pregrado
dcterms.references	J. Manuel, D. González, P. R. Murillo, I. Flores Luna, and A. J. Mendoza, “ROBÓTICA Y PRÓTESIS INTELIGENTES”, [Online]. Available: http://world.honda.com/ASIMO/	spa
dcterms.references	R. Díaz-Amador and M. A. Mendoza-Reyes, “Towards the reduction of the effects of muscle fatigue on myoelectric control of upper limb prostheses,” Dyna (Medellin), vol. 86, no. 208, 2019, doi: 10.15446/dyna.v86n208.73401.	eng
dcterms.references	L. Gila, A. Malanda, I. R. Carreño, J. R. Falces, and J. Navallas, “Métodos de procesamiento y análisis de señales electromiográficas.,” An Sist Sanit Navar, vol. 32 Suppl 3, 2009, doi: 10.4321/s1137-66272009000600003.	spa
dcterms.references	S. Siddiq Ahmed, A. R. J. Almusawi, B. Yilmaz, and N. Dogru, “Design and multichannel electromyography system-based neural network control of a low-cost myoelectric prosthesis hand,” Mechanical Sciences, vol. 12, no. 1, 2021, doi: 10.5194/ms-12-69-2021.	eng
dcterms.references	V. Palacios Andrés, L. Cruz David, G. Luna Francesco José, and G. Villalba Luz Angelica, “Diseño y Construcción de una Prótesis de Mano Controlada por Medio de un Sensor Mioeléctrico,” Sinergia Mecatrónica, vol. 28, 2019.	spa
dcterms.references	U. Wijk, I. K. Carlsson, C. Antfolk, A. Björkman, and B. Rosén, “Sensory Feedback in Hand Prostheses: A Prospective Study of Everyday Use,” Front Neurosci, vol. 14, 2020, doi: 10.3389/fnins.2020.00663.	eng
dcterms.references	S. B. Godfrey et al., “The Softhand Pro: Functional evaluation of a novel, flexible, and robust myoelectric prosthesis,” PLoS One, vol. 13, no. 10, 2018, doi: 10.1371/journal.pone.0205653.	eng
dcterms.references	S. Rampichini, T. M. Vieira, P. Castiglioni, and G. Merati, “Complexity analysis of surface electromyography for assessing the myoelectric manifestation of muscle fatigue: A review,” 2020. doi: 10.3390/E22050529.	eng
dcterms.references	J. Berning, G. E. Francisco, S. H. Chang, B. J. Fregly, and M. K. O’Malley, “Myoelectric control and neuromusculoskeletal modeling: Complementary technologies for rehabilitation robotics,” 2021. doi: 10.1016/j.cobme.2021.100313.	eng
dcterms.references	H. Bouwsema, C. K. Van Der Sluis, and R. M. Bongers, “Changes in performance over time while learning to use a myoelectric prosthesis,” J Neuroeng Rehabil, vol. 11, no. 1, 2014, doi: 10.1186/1743-0003-11-16.	eng
dcterms.references	“Ninapro - DB1.” Accessed: Oct. 27, 2025. [Online]. Available: https://ninapro.hevs.ch/instructions/DB1.html	eng
dcterms.references	J. He et al., “Surface EMG and muscle fatigue: multi-channel approaches to the study of myoelectric manifestations of muscle fatigue,” Physiol Meas, vol. 38, no. 5, p. R27, Mar. 2017, doi: 10.1088/1361-6579/AA60B9.	eng
oaire.version	info:eu-repo/semantics/acceptedVersion
sb.investigacion	Diseño biomédico	spa
sb.programa	Ingeniería Biomédica	spa
sb.sede	Sede Barranquilla	spa