Sistema inteligente para el control de un prototipo de prótesis de mano

Abstract

El presente articulo describe el proceso de diseño, prototipado y experimentación de un sistema inteligente para el control de un prototipo de prótesis de mano utilizando sensores comerciales de bajo costo y fácil acceso en cualquier mercado, logrado mediante el uso de algoritmos de inteligencia artificial - machine learning. El sistema desarrollado consta de un Modelo de brazo de código abierto capaz de mover los dedos de manera independiente y está controlado por una red neuronal básica desarrollada utilizando la arquitectura de perceptrón multicapa, la red consta de tres capas, una capa de entrada compuesta de 8 neuronas, una única capa oculta que contiene 80 neuronas y una capa de salida que consta de una neurona que realiza la clasificación. El prototipo desarrollado fue evaluado con el accuracy como métrica de validación presentando un porcentaje de 98.2%. Como otra medida de validación fue medido el tiempo de respuesta promedio, el cual fue de 0.97 segundos, finalmente con las pruebas realizadas, también se evidenció la generalidad del sistema inteligente desarrollado, dado que es posible realizar la clasificación de gestos de manera exitosa en las personas sin importar su sexo ni su edad.

This article describes the design, prototyping and experimentation process of an intelligent system for the control of a hand prosthesis prototype using low-cost commercial sensors and easy access in any market, achieved through the use of artificial intelligence algorithms - machine learning. The developed system consists of an open source Arm Model capable of moving fingers independently and is controlled by a basic neural network developed using the multilayer perceptron architecture, the network consists of three layers, an input layer composed of 8 neurons, a single hidden layer containing 80 neurons, and an output layer consisting of a neuron that performs the classification. The developed prototype was evaluated with accuracy as a validation metric, presenting a percentage of 98.2%. As another validation measure, the average response time was measured, which was 0.97 seconds. Finally, with the tests carried out, the generality of the intelligent system developed was also evidenced, since it is possible to perform the classification of gestures successfully in the people regardless of gender or age.