Clasificación de lesión en rodilla usando señales de electromiografía superficial y goniometría empleando redes neuronales
| dc.contributor.author | Herrera González, Marcelo | |
| dc.contributor.author | Martínez Hernández, Gustavo Adolfo | |
| dc.contributor.author | Rodríguez Sotelo, Jose Luis | |
| dc.contributor.author | Avilés Sánchez, Oscar Fernando | |
| dc.date.accessioned | 2020-04-16T17:28:28Z | |
| dc.date.available | 2020-04-16T17:28:28Z | |
| dc.date.created | 2015-03-16 | |
| dc.description.abstract | En este artículo se propone una metodología para soporte al diagnóstico en análisis de lesión de rodilla, teniendo en cuenta que dichas lesiones son comunes y se producen por diferentes causas, y donde su diagnóstico y tratamiento se realiza por medio de valoraciones por parte de un profesional en el área, que dependiendo de su criterio puede conllevar a exámenes invasivos y/o de alto costo. El sistema emplea señales electromiográficas de superficie (EMGS) y señales de goniometría, analizadas con métodos de análisis de señales en el espacio de tiempo-frecuencia mediante espectrograma y transformada wavelet. Como técnica de aprendizaje de máquina se emplean redes neuronales artificiales, por medio de un perceptrón multicapa. Las señales EMG fueron tomadas en cuatro músculos internos-externos asociados a la articulación, por medio de exámenes físicos de flexión y extensión, en el cual se registró además la goniometría en el plano sagital. Con este sistema se obtuvieron rendimientos superiores al 80% en la efectividad como medida de desempeño, convirtiéndose esta propuesta en una solución objetiva, que puede darle más elementos de juicio al profesional para el diagnóstico. | spa |
| dc.description.abstractenglish | In this article a methodology for a medical diagnostic decision support system to assess knee injuries is proposed. Such methodology takes into account that these types of injuries are common and arise due to different causes. Therefore, the physician’s diagnostic and treatment may lead to expensive and invasive tests depending on his medical criteria. This system uses a surface Electromyographic (sEMG) and goniometric signals that are processed with signal analysis methods in time-frequency space through a spectrogram and a wavelet transform. Artificial neural networks are used as a learning technique by having a multilayer perceptron. EMG signals were measured in four external and internal muscles associated to the joint through flexion and extension assessments. These tests also registered the goniometric measures of the sagittal plane. This system shows above 80% of effectiveness as a performance measure that makes it an objective measure leading to help the physician in his diagnosis. | eng |
| dc.format | spa | |
| dc.format.mimetype | application/pdf | spa |
| dc.format.mimetype | application/octet-stream | spa |
| dc.identifier | http://revistas.javeriana.edu.co/index.php/iyu/article/view/8624 | |
| dc.identifier | 10.11144/Javeriana.iyu19-1.kfsc | |
| dc.identifier.issn | 2011-2769 | |
| dc.identifier.issn | 0123-2126 | |
| dc.identifier.uri | http://hdl.handle.net/10554/25702 | |
| dc.language.iso | spa | |
| dc.publisher | Pontificia Universidad Javeriana | eng |
| dc.relation.citationissue | Ingenieria y Universidad; Vol 19 No 1 (2015): January-June; 51-66 | eng |
| dc.relation.citationissue | Ingenieria y Universidad; Vol. 19 Núm. 1 (2015): Enero-Junio; 51-66 | spa |
| dc.relation.uri | http://revistas.javeriana.edu.co/index.php/iyu/article/view/8624/10279 | |
| dc.relation.uri | http://revistas.javeriana.edu.co/index.php/iyu/article/view/8624/18244 | |
| dc.rights.accessrights | info:eu-repo/semantics/openAccess | |
| dc.rights.coar | http://purl.org/coar/access_right/c_abf2 | spa |
| dc.rights.licence | Atribución-NoComercial-SinDerivadas 4.0 Internacional | * |
| dc.title | Clasificación de lesión en rodilla usando señales de electromiografía superficial y goniometría empleando redes neuronales | spa |
| dc.title.english | Knee functional state classification using surface electromyographic and goniometric signals by means artificial neural networks | eng |
| dc.type.coar | http://purl.org/coar/resource_type/c_6501 | |
| dc.type.driver | info:eu-repo/semantics/article | |
| dc.type.hasversion | http://purl.org/coar/version/c_970fb48d4fbd8a85 | |
| dc.type.local | Artículo de revista | spa |
| dc.type.other | Article |