Exploran aplicaciones médicas de señales microeléctricas

Con el objetivo de generar aplicaciones que contribuyan al avance de la fisioterapia y las ciencias del deporte, entre otras áreas de la salud, un grupo multidisciplinario de estudiantes y docentes de la Facultad de Ingeniería de la Universidad Autónoma de Querétaro trabaja en la clasificación de señales eléctricas musculares de extremidades superiores.

El Dr. Marco Antonio Aceves Fernández, investigador de la Maestría en Ciencias en Inteligencia Artificial, explicó que las señales mioeléctricas son resultado del movimiento de los músculos. Las contracciones musculares se deben a la frecuencia de impulsos eléctricos que envía el sistema nervioso, lo que produce un intercambio de iones a través de las membranas de las fibras musculares, generando las señales.

Puntualizó que la primera fase del proyecto consiste en una serie de pruebas físicas para la adquisición de las señales en el software “Electromiograf Signal Collector EMGSC” (Recolector de Señales Electromiográficas), desarrollado en la Universidad Autónoma de Querétaro. El sujeto de prueba debe realizar cinco repeticiones de 10 movimientos: posición inicial, pronación, supinación, extensión, flexión, desviaciones cubital y radial, pinzas fina y gruesa y expansión.

Para llevar a cabo estos ejercicios y detección de señales, se le coloca en el antebrazo próximo al codo, una pulsera integrada por ocho sensores que se pueden visualizar en el software como ocho canales diferentes. Hasta el momento se ha realizado la prueba en 50 individuos, dando como resultado 128 mil millones de puntos que están en proceso de clasificación.

Para clasificar las señales se utiliza el aprendizaje profundo (deep learning), un campo de la Inteligencia Artificial que utiliza las redes neuronales. Estas redes son sistemas de estructuración y procesamiento de datos entrenadas con algoritmos que buscan asemejarse al funcionamiento del cerebro humano para responder a determinados estímulos.

El deep learning es un tipo de aprendizaje no supervisado, es decir, que no necesita de un humano que ayude a la máquina o al software a “aprender” y “pensar” por sí mismo, mediante repeticiones y correcciones. Ejemplos prácticos de ello, son los sistemas de reconocimiento de voz de dispositivos móviles. Lo mismo sucede con el EMGSC, ya que aprende a distinguir un movimiento de otro.

El investigador UAQ explicó que con la clasificación de las señales mioeléctricas buscan incidir directamente en el desarrollo de aplicaciones centradas en áreas de la salud, principalmente. Una de ellas será en la rehabilitación muscular de pacientes que han sufrido problemas motrices causados por accidentes, enfermedades congénitas o afectaciones cognitivas adquiridas. El propósito es dar a los fisioterapeutas datos numéricos precisos que ayuden a la evaluación del paciente.

También podría implementarse en las ciencias del deporte, para evaluar y mejorar el desempeño de un atleta, mediante la corrección de movimientos o del entrenamiento. Mientras que una tercera aplicación estaría enfocada en hospitales inteligentes o centros geriátricos, para que los pacientes puedan controlar ciertos aparatos o dispositivos con movimientos musculares, sin necesidad de depender de un asistente. Por ello, ya están manteniendo pláticas con hospitales para llevar estos avances tecnológicos desarrollados en la UAQ.

El Dr. Marco Aceves detalló que el equipo de trabajo está conformado por estudiantes de la Maestría en Ciencias en Inteligencia Artificial y de la Maestría en Ciencias con línea terminal en Instrumentación y Control Automático; de las ingenierías Física y Biomédica y de la Licenciatura en Fisioterapia, además de la colaboración de un médico alemán experto en bioseñales.