Publicación: Uso de un método ensemble basado en promedio de probabilidades con redes neuronales y SVM en la clasificación de gestos de mano mediante señales sEMG
Portada
PDF 
FLIP 
Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Autores
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor/Compilador
Editores
Tipo de Material
Fecha
Cita bibliográfica
Título de serie/ reporte/ volumen/ colección
Es Parte de
Resumen en español
Esta investigación se centra en el uso de un método ensemble basado en promedio de probabilidades, que combina redes neuronales y máquinas de soporte vectorial (SVM) para la clasificación de gestos de mano, mediante señales de electromiografía de superficie (sEMG). El objetivo principal es evaluar la efectividad de este método en la mejora de la precisión de la clasificación de gestos de mano, lo cual es crucial para aplicaciones biomédicas como el control de prótesis y la interacción humano-computadora. Los resultados indican que, aunque el método ensemble presenta una mejora modesta en comparación con los modelos individuales, las características específicas de las señales sEMG, como RMS, WL, SSC y MAV, son fundamentales para lograr una clasificación precisa. Además, se destaca la importancia de la ubicación de los electrodos, sugiriendo que los electrodos en la parte posterior del antebrazo aportan información limitada. Estos hallazgos proporcionan una base sólida para futuras investigaciones y optimizaciones en el diseño de sistemas de clasificación de gestos de mano.
Resumen en ingles
This research focuses on the use of an ensemble method based on probability averaging that combines neural networks and support vector machines (SVM) for the classification of hand gestures using surface electromyography (sEMG) signals. The main objective is to evaluate the effectiveness of this method in improving the accuracy of hand gesture classification, which is crucial for biomedical applications such as prosthesis control and human-computer interaction. The results indicate that, although the ensemble method shows a modest improvement compared to individual models, specific features of sEMG signals, such as RMS, WL, SSC, and MAV, are essential for achieving accurate classification. Additionally, the importance of electrode placement is highlighted, suggesting that electrodes on the back of the forearm provide limited information. These findings provide a solid foundation for future research and optimizations in the design of hand gesture classification systems.