Aplicación de deep learning federado para el control personalizado de prótesis mioeléctricas

Abstract

El presente estudio se realiza con el objetivo de explorar una solución que permita interpretar señales electromiográficas (EMG) con mayor exactitud en prótesis mioeléctricas, manteniendo al mismo tiempo la privacidad de los datos del usuario. Para ello, se estructura una metodología basada en tres pilares de evidencia: una revisión exhaustiva del estado del arte sobre redes neuronales profundas y aprendizaje federado, una encuesta cuantitativa a profesionales y una entrevista cualitativa a un especialista en inteligencia artificial y ciberseguridad. El análisis de los datos permite validar de manera contundente la hipótesis de investigación. Teóricamente, se comprueba que los modelos profundos superan a los convencionales, logrando tasas de cumplimiento de movimientos de hasta el 94,4%, mientras que los resultados de los enfoques federados respaldan un riesgo nulo de exposición de datos. Cuantitativamente, el 86,5% de los expertos encuestados afirma que el aprendizaje profundo mejora la personalización y el 62,2% valida al aprendizaje federado como el mecanismo idóneo para resguardar la información biomédica. Finalmente, desde el enfoque cualitativo, se identifican arquitecturas híbridas y árboles de decisión locales como las soluciones técnicas necesarias para superar los actuales cuellos de botella de hardware. A través de este trabajo, se establecen los criterios técnicos y éticos que demuestran que la combinación de estas tecnologías es viable para desarrollar prótesis de próxima generación, logrando conciliar la máxima precisión funcional con un estricto compromiso ético sobre la privacidad de los datos del usuario.