Resumen de Prototipo de mano robótica controlada mediante el procesamiento de señales cerebrales utilizando redes neuronales recurrentes

Marvin X. González, Amelia M. Brugiati, Denzel H. Cornejo, Cristian Iván Pinzón Trejos

• español

  Las señales generadas por la actividad eléctrica producida en el cerebro humano, además de ser utilizadas en el área de medicina para el diagnóstico de enfermedades, pueden ser de gran ayuda en otros campos, como lo son las ciencias computacionales. Esta investigación propone la utilización de señales cerebrales como mecanismo de control, empleando técnicas de inteligencia artificial. La misma tiene como objetivo principal construir un prototipo de una prótesis de mano robótica impresa en 3D, controlada a través del procesamiento de señales cerebrales, utilizando redes neuronales recurrentes. Mediante una metodología de prototipado se entrenaron y compararon tres arquitecturas distintas de redes recurrentes (RNN simple, LSTM y GRU), entrenadas a partir de datos de trece personas, utilizando el sensor no invasivo Mindwave Mobile 2 para la adquisición de estos. La primera versión, desarrollada en un periodo aproximado de tres meses, alcanzó una precisión del 77% al clasificar nuevas muestras utilizando el modelo de red GRU. Este prototipo, al ser una primera aproximación y requerir mayor tiempo de investigación y desarrollo, puede ser de gran utilidad a futuro para personas que así lo necesiten, brindándoles una mayor calidad de vida.

• English

  The mapping of electrical activity in the human brain is not only useful in the medical field for the diagnosis of diseases but can also be of great help in other fields such as computer science. This research proposes the use of brain signals as a control mechanism using artificial intelligence techniques. Its main objective is to build a prototype of a 3D printed robotic hand prosthesis monitored through the processing of brain signals using recurrent neural networks. Three different recurrent network architectures were trained and compared using a prototyping methodology (Simple RNN, LSTM, and GRU). This prototyping methodology was trained using a sample size of thirteen people and the non-invasive sensor Mindwave Mobile 2 was used to record the data. The first version, which was in development approximately 3 months, achieved 77% accuracy in classifying new samples using the GRU network model. With further research and development, this prototype may prove very useful in the future for providing people in need of such technology with a higher quality of life.