.

Análisis de señales electromiografías EMG con brazalete MYO

Hugo David Enríquez Espinosa

hdenriqueze@utn.edu.ec
Angelo Fernando Flores Taramuel
afflorest@utn.edu.ec
Gabriel Elías Paredes Mendoza
geparedesm@utn.edu.ec

EMG al estimar el movimiento del brazo generalmente se

RESUMEN:
Se utiliza el dispositivo MYO armband para obtener
señales EGM de los músculos del antebrazo al momento
de realizar movimiento predefinidos, siendo estas señales
enviadas al software Matlab para interpretarlas y posterior
realiza las gráficas de los 8 canales de las señales EGM.
ubica en el hombro y muchos electrodos deben unirse a
un área amplia [5]. Hay un estudio similar a este
documento que estima el movimiento del brazo usando el
sensor IMU de MYO y el movimiento de la muñeca
usando el sensor EMG .

Esta investigación utiliza un brazalete Myo que

PALABRAS CLAVE: señales, mioeléctricas, consta de ocho canales de electrodos y envía las señales
electromiografías, myo, matlab, musculos

EMG a través de una conexión inalámbrica.

1 INTRODUCCIÓN. Entonces, la aplicación basada en el brazalete Myo es
más compacta y tiene una mejor apariencia. Además de
que el brazalete de Myo ya tiene cinco gestos
La mano es uno de los órganos más importantes predeterminados para realizar, son firmes, descanso,
para la actividad humana porque tiene el papel principal entrada de onda, salida de onda y clic [6].
de procesar algo como tomar, agarrar, tocar o levantar
objetos.
Recientemente, la tecnología de interacción
humano-robot (HRI) se ha estudiado en diversos campos,
como juegos, robots, automóviles y campos médicos.
Especialmente, la importancia de las interfaces de
usuario basadas en movimiento que pueden interactuar
con el movimiento tridimensional del usuario aumenta con Figura 1. Posiciones de manos predefinidas del brazalete
MYO
el dispositivo portátil y la realidad virtual (VR). Entre las
tecnologías de reconocimiento de movimiento, los
Los electrodos en el brazalete Myo son posiciones
estudios sobre tecnología de reconocimiento basados en
circulares y los músculos principales que cubren son
bio-señales se investigan activamente. EOG
Extensor Digitorum y Flexor Digitorum. Estos son los
(Electrooculogram), EEG (Electroencefalograma), ECG
músculos que mueven la muñeca, el índice, el medio, el
(Electrocardiogram), EMG (Electromyogram) y otros se
anillo y el dedo pequeño.
utilizan para tales bio-señales humanas. Entre ellos, las
señales EMG se pueden medir fácilmente simplemente
conectando electrodos a la superficie del brazo. Por lo
tanto, es ampliamente utilizado en la investigación de
tecnología de reconocimiento de gestos.

Hay investigaciones de reconocimiento de

movimiento de manos basadas en señales de EMG de
brazo. Los movimientos individuales de flexión y
extensión de cada dedo se decodificaron utilizando la
señal EMG superficial [1]. El movimiento de la mano se
reconoció mediante el uso de un conjunto de
características basado en wavelet [2]. La flexión y la
extensión de la muñeca también se reconoció utilizando
wavelet packet transform [3]. Estas investigaciones tienen
una cosa en común como estimar el movimiento de la Figura 2. Músculos del brazo.
mano usando la señal EMG del antebrazo. Por otro lado,
hay una investigación de la estimación del movimiento del
brazo usando un sensor de movimiento y el sensor EMG
del antebrazo se usó para la potencia [4]. El sensor de

1
.

2 METODOLOGÍA
2.1 DINÁMICA DE ACTIVACIÓN DE UN
MUSCULO

La dinámica de activación se describe por una

ecuación diferencial de primer orden que expresa una
relación entre la activación del músculo 𝑎 = 𝑎(𝑡), su
derivada 𝑎̇ = 𝑎̇ (𝑡), y la excitación neutral 𝑢 = 𝑢(𝑡) como:

𝑢 1
𝑎̇ = (𝑢 − 𝑎) + [𝑢 − (𝑎 − 𝑎𝑚𝑖𝑛 ) − (𝑢 − 𝑎)𝑢] (1)
𝜏𝑎𝑐𝑡 𝜏𝑑𝑒𝑎𝑐𝑡

Donde 𝜏𝑎𝑐𝑡 es la constante de tiempo para la

activación cuando el músculo esta totalmente excitado
𝑢(𝑡) = 1, y 𝜏𝑑𝑒𝑎𝑐𝑡 es la constante de tiempo para la
activación cuando el musculo está desactivado 𝑢(𝑡) =
0; 𝑎𝑚𝑖𝑛 es un límite inferior de la activación para evitar el
problema asociado con la función fuerza-velocidad del
músculo al invertirla para niveles bajos de activación.
𝜏
El cociente 𝑎𝑐𝑡 es constante y de valores entre 0 y
𝜏𝑑𝑒𝑎𝑐𝑡
1. Para simplificar, se asume que todos los músculos Figura 4. Grafica de la activación del músculo en Simulink
siguen la misma dinámica de activación. En este caso los
valores de 𝜏𝑑𝑒𝑎𝑐𝑡 y 𝜏𝑎𝑐𝑡 están fijados en 50ms y 15 ms
respectivamente; y 𝑎𝑚𝑖𝑛 tiene un valor de 0.001. Cuando
el músculo está totalmente excitado, la activación crece 2.3 VINCULACIÓN DE BRAZALETE MYO
asintóticamente desde el valor inicial 𝑎𝑚𝑖𝑛 hasta su CON MATLAB
máximo 1. Cuando el músculo esta desactivado, la
activación cae de forma gradual hasta 𝑎𝑚𝑖𝑛 . [7]
Para el estudio la de las señales EMG utilizaremos
2.2 ANALISIS EN SIMULINK DE LA la herramienta Matlab r2017a como medio para adquirir
las señales y muestras que arroja el brazalete.
ECUACION DINAMICA DEL MUSCULO. Primeramente, debemos instalar el programa propio
del brazalete MYO, este lo encontramos en internet
Usando la herramienta Simulink de Matlab, totalmente abierto para su descarga y uso en
realizamos un diagrama de bloques donde probamos www.myo.com.
esta ecuación (1) y proceder a su análisis. Luego de calibrar y seguir los pasos pertinentes,
procedemos a enlazar con Matlab, siguiendo los
siguientes pasos:

 Descargamos la librería “Myo SDK MATLAB

MEX Wrapper”, propia de Matlab.
 Descargamos el compilador “myo-sdk-win-0.9.0”
para el enlace y conexión del dispositivo.
 Hay que tener muy en cuenta que debemos
tener los compiladores de c++, actualizados y
funcionando en nuestro equipo.
 Tenemos que guardar ambos documentos
descargados en una sola carpeta dentro del
toolbox definido por defecto en Documentos
dentro de la carpeta MATLAB.
 Copiamos esta dirección y la ponemos en la
barra de dirección de búsqueda de Matlab, asi:
Figura 3. Diagrama de bloques de la Ec (1)

Obteniendo una gráfica de dicha ecuación de la

siguiente forma:
Donde podemos observar que tiene un resultado
muy apegado a la realidad en cuanto a la activación del
musculo se refiere. Figura 5. Barra de dirección Matlab

2
.

 Para instalar el path del brazalete en los  Para una interaccion de datos en tiempo real
directorios de Matlab, escribimos el comando entre Matlab y el brazalete, utilizamos el
“install_myo_mex;” comando “MyoMexGUI_Monitor”, el cual nos
 Luego, abrimos el archivo abre una ventana como la siguiente.
MyoMex_Quickstart.m y ponemos la dirección
donde guardamos los archivos previamente
descargados como se observa en la figura 6 y
ejecutamos el comando
build_myo_mex(sdk_path);

Figura 6. Comandos de inicialización

 En el Comand Window de Matlab, ejecutamos el

comando “ mm=MyoMex ”, para que se realice
el enlace con el brazalete.
Figura 9. Ventana Guide Monitor Myo

En la cual, damos clic en el botón “ Init MyoMex” para que

empiece a graficar los datos provenientes del brazalete
en una interfaz como la siguiente.

Figura 7. Resultado comando mm=MyoMex

 Luego utilizamos el comando “mm.myoData”

para obtener los datos del brazalete.

Figura 10. Resultado del GuideMonitorMyo

En el cual podemos darnos cuenta de todos los datos que

nos puede arrojar el brazalete, como los datos del
acelerómetro, el giroscopio que tiene incorporados y las
señales EMG de los 8 canales.

Luego, debemos instalar el archivo sdk previamente

descargado, para realizar esto ponemos en la ventana de
comandos de Windows el siguiente comando “

Hay que tener en cuenta que nuestro próposito era

obtener en una manera mas especifica los datos de los
electrodos del brazalete, para lo cual realizamos unos
ajustes al archivo MyoMex_Quickstart.m en el cual al
ejecutarlo, tomaba muestras en un tiempo de 5 segundos
y las graficaba.
Nuestra meta fue llegar a la obtención de dichos datos y
a graficar cada canal de una manera separada para tener
una visión más clara de la señal tomada.

Figura 8. Resultado comando mm.myoData

3
.

pertinente. Tras el análisis llegamos a la conclusión que

la información que se necesita se almacena en la variable
2.4 OBTENCIÓN DE SEÑALES EGM m1 la cual es una matriz.

En la matriz m1 se almacena el tiempo de muestreo, los

Una vez ya vinculado MATLAB con MYO, se procede a
ocho canales de las señales EGM, señal del giroscopio y
desarrollar el código con el cual se podrá obtener las
del acelerómetro, por lo cual discretizamos la siguiente
señales EGM que se generan al momento de realizar un
información de la matriz:
movimiento en específico.
 Tiempo de muestreo
Para la realización del programa se toma como base la  Señal EGM del primer canal
librería MYO. Como primer paso se crearon las variables  Señal EGM del segundo canal
y posterior se las inicializaron.  Señal EGM del tercer canal
 Señal EGM del cuarto canal
 Señal EGM del quinto canal
 Señal EGM del sexto canal
 Señal EGM del séptimo canal
 Señal EGM del octavo canal

Figura 12. Código de adquisición y graficación de

señales

De esta manera tenemos como resultado los ocho

canales de las señales EGM y además la unión de todas
las señales. Siendo estas señales de los movimientos
predeterminados que establecimos al inicio.

Figura 11. Declaración de variables

Se realiza un análisis del código con el objetivo de

conocer el funcionamiento de cada línea de código y de
conocer la variable en la que se guarda la información

4
.

Figura 13. Señales EGM del movimiento waveIn

Figura 14. Señales EGM del movimiento thumbToPinky

5
.

Figura 15. Señales EGM del movimiento fist

Figura 16. Señales EGM del movimiento fingersSpread

6
.
Figura 17. Señales EGM del movimiento waveOut
3 CONCLUSIONES
Se puede concluir que el brazalete MYO obtiene las
señales EMG de los músculos de los brazos, generando
una señal EGM por cada movimiento específico del
brazo.
La adquisición de las señales EGM son obtenidas
mediante la siguiente secuencia: músculos, sensores,
amplificadores, filtrado, conversor A/D, ordenador,
efectores.
La aplicación de las señales ENG no tiene límites, desde
el control de un televisor o un dron hasta la
implementación en una prótesis mecatrónica. A estas
aplicaciones se las conoce como efectores.
Las señales EMG son fuente de información muy
apropiada para el control de dispositivos virtuales como
las prótesis de mano. Las razones para utilizar estas
señales obedecen a diferentes aspectos tales como:
facilidad para recolectar muestras, respeto por la
integridad de la persona quien utiliza la prótesis,
reutilización de una persona a otra, y fácil remoción para
efectos de mantenimiento y calibración.
A partir de esta practica se puede realizar un estudio a
profundidad sobre las señales EMG generadas con los
movimientos establecidos de MYO Armband y aumentar
movimientos. Con el objetivo de proporcionar una
aplicación.
4 REFERENCIAS
[1] A. R. A. F. S. A. R. E.-C. a. N. V. T. Francesco V. G.
Tenore, «Decoding of Individuated Finger Movements
Using Surface Electromyography,» IEEE Transactions on
Biomedical Engineering, vol. 56, pp. 1427-1434, 2009.
[2] B. H. a. P. A. P. K. Englehart, «A wavelet-based
continuous classification scheme for multifunction
myoelectric control,» IEEE Tran sactions on Biomedical
Engineering, vol. 48, pp. 302-311, 2001.
[3] I. M. a. M.-S. M. Jun-Uk Chu, «A Real-Time EMG Pattern
Recognition System Based on Linear-Nonlinear Feature
Projection for a Multifunction Myoelectric Hand,» IEEE
Transactions on Biomedical Engineering, vol. 53, pp.
2232-2239, 2006.
[4] S. N. T. I. Y. a. Y. T. a. M. K. Katsuya Sahashi, «Power
Assist Control Based on Motion Estimation of Wearer’s
Forearm Using Motion Sensor,» International Conference
on SCIS and 17th International Symposium on Advanced
Intelligent Systems (ISIS), pp. 649-654, 2016.
[5] C. X. a. C. Z. Qin Zhang, «Intuitive motion classification
from EMG for the 3-D arm motions coordinated by multiple
DoFs,» International IEEE/EMBS Conference on Neural
Engineering, pp. 836-839, 2015.
[6] C. Y. P. L. L. Z. a. Z. L. Yanbin Xu, «Development of a
hybrid motion capture method using MYO armband with
application to teleoperation,» 2016 IEEE International
Conference on Mechatronics and Automation, pp. 1179-
1184, 2016.
[7] A. Z. Casas, «Estimación de fuerzas musculares durante
el movimiento del brazo humano mediante optimización
estático-fisiológica,» Trabajo de Grado, 2016.