Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 892
DESARROLLO DE UN SISTEMA AUMENTATIVO DE COMUNICACIÓN MÓVIL
UTILIZANDO SEÑALES ELECTROMIOGRÁFICAS Y BIOFEEDBACK PARA PERSONAS
CON DISCAPACIDAD DEL HABLA
DEVELOPMENT OF AN AUGMENTATIVE MOBILE COMMUNICATION SYSTEM
USING ELECTROMYOGRAPHIC SIGNALS AND BIOFEEDBACK FOR PEOPLE WITH
SPEECH DISABILITIES
Autores: ¹Leslie Cristina Taco Betancourt y
2
Luis Geovanny Romero Mejía.
¹ORCID ID:
https://orcid.org/0000-0001-8748-8739
2
ORCID ID:
https://orcid.org/0009-0006-0037-5955
¹E-mail de contacto: ltacob@est.ups.edu.ec
2
E-mail de contacto:
lromerom@ups.edu.ec
Afiliación:
1*2*
Universidad Politécnica Salesiana, (Ecuador).
Artículo recibido: 15 de Enero del 2026
Artículo revisado: 28 de Enero del 2026
Artículo aprobado: 06 de Febrero del 2026
¹Estudiante de la carrera de Ingeniería Biomédica de la Universidad Politécnica Salesiana, (Ecuador).
2
Ingeniero en Electrónica y Control. Magíster en Mecatrónica y Robótica.
Resumen
Este artículo presenta el diseño e
implementación de un sistema para el
reconocimiento de contracciones musculares
faciales utilizando electromiografía de
superficie (sEMG). El objetivo fue desarrollar
una arquitectura funcional de bajo costo que
registre y procese señales sEMG, incorporando
biofeedback para control activo del usuario. El
sistema utiliza el sensor AD8832, una fuente de
alimentación dual de ±9 V y un circuito de
acondicionamiento analógico con filtro RC
paso bajo (frecuencia de corte: 500 Hz) para
atenuar componentes de alta frecuencia y ruido
electromagnético. El sistema se integró con una
placa Arduino para procesamiento en tiempo
real, calculando características básicas del
dominio temporal: valor medio absoluto
(MAV), valor cuadrático medio (RMS) e
indicador binario de activación muscular. Las
características temporales complejas (longitud
de forma de onda WL y cambios de signo de
pendiente SSC) se extrajeron durante
entrenamiento y clasificación en Python. Estas
características conformaron el vector para
entrenar un clasificador SVM con kernel RBF,
seleccionado por su capacidad para modelar
relaciones no lineales en señales
electromiográficas. El modelo fue entrenado
con 251 muestras EMG correspondientes a tres
palabras: Agua, Ambulancia y Mar,
alcanzando una exactitud global del 88% sobre
el conjunto de prueba. Se desarrolló una
aplicación web interactiva con Flask para
visualización en tiempo real de la señal EMG
procesada, detección de activación muscular y
palabra clasificada, demostrando capacidad de
procesamiento en tiempo real. Los resultados
confirman que electromiografía de superficie
es alternativa viable y no invasiva para
desarrollo de interfaces de comunicación
asistiva, estableciendo base para
investigaciones futuras con ampliación de
vocabulario y validación en entornos clínicos.
Palabras clave: Electromiografía
superficial, Señales EMG, Reconocimiento
de patrones, Arduino, Máquinas de vectores
de soporte, Clasificación de señales
biomédicas, Interfaz web.
Abstract
This article presents the design and
implementation of a system for recognizing
facial muscle contractions using surface
electromyography (sEMG). The objective was
to develop a low-cost functional architecture
that records and processes sEMG signals,
incorporating biofeedback for active user
control. The system is built around the AD8832
sensor with a dual ±9V power supply and an
analog conditioning circuit including a 500Hz
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 893
low-pass RC filter to attenuate high-frequency
components and electromagnetic noise. The
system was integrated with an Arduino
microcontroller for real-time processing,
calculating basic time-domain features: mean
absolute value (MAV), root mean square
(RMS), and binary muscle activation indicator.
Complex temporal features (waveform length
WL and slope sign changes SSC) were
extracted during training and classification in
Python. These features formed the vector used
to train a Support Vector Machine (SVM)
classifier with RBF kernel, selected for
modeling nonlinear relationships in
electromyographic signals. The model was
trained with 251 EMG samples corresponding
to three words (Water, Ambulance, Sea),
achieving 88% overall accuracy on the test set.
An interactive Flask web application was
developed for real-time visualization of
processed EMG signals, muscle activation
detection, and classified words, demonstrating
real-time processing capability. The results
confirm that surface electromyography is a
viable and non-invasive alternative for
developing assistive communication interfaces,
establishing a foundation for future research
with vocabulary expansion and validation in
clinical settings.
Keywords: Surface electromyography,
EMG signals, Pattern recognition, Arduino,
Support vector machines, Biomedical signal
classification, Web interface.
Sumário
Este artigo apresenta o desenho e
implementação de um sistema para o
reconhecimento de contrações musculares
faciais utilizando eletromiografia de superfície
(sEMG). O objetivo foi desenvolver uma
arquitetura funcional de baixo custo que
registre e processe sinais sEMG, incorporando
biofeedback para controle ativo do usuário. O
sistema utiliza o sensor AD8832, uma fonte de
alimentação dupla de ±9 V e um circuito de
condicionamento analógico com filtro RC
passa-baixa (frequência de corte: 500 Hz) para
atenuar componentes de alta frequência e ruído
eletromagnético. O sistema foi integrado com
uma placa Arduino para processamento em
tempo real, calculando características básicas
do domínio temporal: valor médio absoluto
(MAV), valor quadrático médio (RMS) e
indicador binário de ativação muscular. As
características temporais complexas
(comprimento de forma de onda WL e
mudanças de sinal de inclinação SSC) foram
extraídas durante treinamento e classificação
em Python. Estas características formaram o
vetor para treinar um classificador SVM com
kernel RBF, selecionado por sua capacidade de
modelar relações não lineares em sinais
eletromiográficos. O modelo foi treinado com
251 amostras EMG correspondentes a três
palavras: Água, Ambulância e Mar, alcançando
uma exatidão global de 88% sobre o conjunto
de teste. Foi desenvolvida uma aplicação web
interativa com Flask para visualização em
tempo real do sinal EMG processado, detecção
de ativação muscular e palavra classificada,
demonstrando capacidade de processamento
em tempo real. Os resultados confirmam que
eletromiografia de superfície é alternativa
viável e não invasiva para desenvolvimento de
interfaces de comunicação assistiva,
estabelecendo base para pesquisas futuras com
ampliação de vocabulário e validação em
ambientes clínicos.
Palavras-chave:
Eletromiografia de
superfície, sinais EMG, reconhecimento de
padrões, Arduino, máquinas de vetores de
suporte, classificação de sinais biomédicos,
interface web.
Introducción
La comunicación es un pilar fundamental de la
interacción social y el desarrollo personal. Sin
embargo, condiciones neurológicas,
neuromusculares o traumatismos pueden
afectar la capacidad de habla, generando
dependencia de Sistemas Aumentativos y
Alternativos de Comunicación (SAAC)
(Pinheiro et al., 2011; Naves et al., 2012). En
este contexto, la señalización a través de
biocomunicación se presenta como una
alternativa para reducir la brecha de
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 894
comunicación, traduciendo la intención motora
del usuario en comandos comprensibles. La
electromiografía superficial (sEMG) ha
demostrado eficacia por su bajo nivel de
invasividad, costo accesible, y capacidad de
captar señales musculares relacionadas con
movimientos faciales y producción del habla
(Salomons et al., 2025; Gowda et al., 2025). Las
señales EMG faciales han sido estudiadas en
reconocimiento de fonemas, habla silenciosa y
control de sistemas humano-computador,
demostrando su potencial en asistencia y
rehabilitación (Mohd et al., 2022; Kang et al.,
2025). El principal desafío en sistemas basados
en EMG reside en optimizar el procesamiento
en tiempo real, la inmunidad al ruido y la
eficiencia computacional. Si bien el uso de
redes neuronales profundas mejora el
rendimiento en tareas de clasificación, estas
técnicas consumen muchos recursos de datos y
computación, limitando su uso en sistemas
embebidos de bajo costo (Gowda et al., 2025;
Sualiheen y Kim, 2025). Existe un creciente
interés en enfoques híbridos que integran
procesamiento ligero en hardware con
clasificación en plataformas más potentes
(Eddy et al., 2023; Toledo-Peral et al., 2022). El
presente estudio propone el diseño y desarrollo
de una arquitectura funcional de bajo costo que
registre y procese señales sEMG, incorporando
biofeedback para control activo del usuario. El
sistema utiliza un sensor AD8832 acompañado
de una unidad de acondicionamiento analógico
que contiene un filtro RC paso bajo de
aproximadamente 500 Hz, diseñado para
suprimir el contenido de alta frecuencia y el
ruido de la señal electromiográfica facial
(Hasan, 2025; Ghoul et al., 2024).
Materiales y Métodos
El estudio adoptó una perspectiva cuantitativa
con alcance descriptivo-experimental y diseño
transversal aplicado. Se recolectaron datos en
un ambiente controlado con el propósito de
medir el rendimiento funcional del sistema
como prototipo para la interacción asistida por
señales de los músculos faciales, sin realizar
inferencias a la población. La arquitectura del
sistema propuesto se estructuró en cuatro
componentes fundamentales: adquisición de la
señal electromiográfica, procesamiento
embebido en tiempo real, clasificación
automática y visualización de resultados. Esta
arquitectura se justifica en la separación de la
carga computacional entre el hardware
embebido y el sistema de procesamiento
externo, optimizando así el desempeño del
sistema.
Figura 1. Arquitectura del sistema de
reconocimiento de contracciones musculares
faciales basado en EMG
La recolección de señales electromiográficas se
realizó a partir de la actividad eléctrica
muscular a través de electrodos de superficie
situados sobre los músculos faciales. La señal
EMG adquirida fue de microvoltios, por lo que
fue amplificada y acondicionada por medio del
módulo electromiográfico AD8832. El módulo
cuenta con un amplificador diferencial con alta
impedancia y una ganancia de G≈1000, lo que
eleva la amplitud de la señal EMG a un nivel
compatible con la entrada del convertidor
analógico digital del microcontrolador. El
acondicionamiento analógico contiene un filtro
analógico de primer orden en el cual una
resistencia y un condensador forman un sistema
RC que permite el paso de señales de bajas
frecuencias y atenúa la presencia de
componentes de alta frecuencia y ruidos
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 895
electromagnéticos. La frecuencia de corte del
filtro se determina por la siguiente relación:
f_c=1/2πRC
Para la implementación física, se seleccionaron
valores comerciales de R=3.3 kΩ y C=0.1 µF.
Sustituyendo estos valores en la ecuación (1), se
obtiene una frecuencia de corte real de:
f_c=1/(2π(3300Ω)(0.1×〖10〗^(-6)
F))≈482.28" Hz"
Esta configuración permite mitigar el ruido de
alta frecuencia y prevenir el solapamiento
(aliasing) antes de la etapa de digitalización. La
muestra del estudio estuvo conformada por
cinco participantes adultos, de los cuales tres
presentaban antecedentes de discapacidad del
habla y dos no registraban patologías
neuromusculares diagnosticadas. Todos los
participantes contaban con la capacidad de
realizar contracciones musculares faciales de
manera voluntaria, condición necesaria para la
validación del sistema propuesto. La selección
se realizó mediante un muestreo de
conveniencia no aleatorio, dado que el objetivo
principal del estudio fue la evaluación funcional
y técnica del prototipo desarrollado (Naves et
al., 2012).
Las pruebas experimentales se realizaron en un
entorno controlado, aplicando criterios
uniformes para la colocación de los electrodos,
la recalibración del sistema y la ejecución de las
contracciones musculares faciales. Se
controlaron variables externas tales como la
posición del usuario, el nivel de actividad previa
y la proximidad a fuentes potenciales de
interferencia electromagnética, con el fin de
minimizar la presencia de ruido no deseado en
la señal EMG adquirida. La adquisición de las
señales electromiográficas se realizó utilizando
un sensor electromiográfico AD8832, diseñado
para la captación no invasiva de señales
musculares de superficie. La señal
electromiográfica fue adquirida con una
frecuencia de muestreo de 1 kHz, valor
adecuado para capturar el contenido espectral
relevante de las señales EMG faciales. La
digitalización se realizó mediante el convertidor
analógico-digital (ADC) de 10 bits del
microcontrolador Arduino, con un rango de
entrada de 0-5 V. El sistema de adquisición
presentó una ganancia total aproximada de
G≈1000, proporcionada por el módulo
electromiográfico AD8832.
Figura 2. Ubicación de los electrodos EMG
durante la adquisición de las señales
electromiográficas faciales
El sistema de adquisición empleó tres
electrodos adhesivos de superficie,
configurados como electrodo activo positivo,
electrodo activo negativo y electrodo de
referencia. Los electrodos activos fueron
colocados específicamente sobre los músculos
cigomático mayor y cigomático menor,
seleccionados por su participación directa en
gestos faciales voluntarios y su adecuada
relación señal-ruido. El electrodo de referencia
se ubicó en la región retroauricular, con el fin
de reducir interferencias comunes y mejorar la
estabilidad de la señal adquirida. Para la
alimentación del sensor AD8832 se utilizaron
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 896
dos fuentes de alimentación simétricas de ±9 V.
El microcontrolador Arduino fue alimentado
mediante una fuente de 5 V, manteniendo un
aislamiento funcional entre la etapa de
adquisición analógica y la etapa de
procesamiento digital.
La señal analógica acondicionada fue
digitalizada mediante el ADC de 10 bits del
microcontrolador Arduino. Posteriormente, las
muestras digitalizadas fueron sometidas a un
proceso de filtrado digital en tiempo real,
implementado mediante un filtro de media
móvil de orden M=8, cuyo objetivo fue atenuar
componentes de ruido de alta frecuencia y
suavizar la señal electromiográfica antes de la
extracción de características. Una vez filtrada,
la señal fue organizada en ventanas temporales
de longitud fija (N=60 muestras), lo que
permitió el cálculo eficiente de características
básicas en el dominio del tiempo. Previo a cada
sesión experimental se ejecutó un proceso
automático de recalibración con el músculo en
estado de reposo, cuyo objetivo fue estimar el
nivel basal de la señal electromiográfica y
compensar variaciones individuales,
desplazamientos de línea base y ruido
fisiológico inherente a la adquisición de señales
EMG. La señal electromiográfica adquirida fue
corregida mediante la sustracción del valor
basal estimado, obteniéndose la señal
rectificada según la siguiente expresión:
x_corr (n)=|x(n)-x_base |
donde x(n) representa la señal EMG original y
x_base corresponde al nivel basal calculado
durante el estado de reposo muscular. A partir
de la señal corregida, se definió un umbral de
activación muscular basado en el valor medio
absoluto (MAV):
T=k⋅MAV_reposo
donde k=2 fue seleccionado de manera empírica
tras pruebas preliminares, proporcionando una
adecuada separación entre la actividad muscular
voluntaria y las fluctuaciones de baja amplitud
asociadas al ruido residual (Moon et al., 2024).
Durante la etapa de procesamiento embebido en
el microcontrolador Arduino se calcularon
únicamente características básicas en el
dominio temporal, específicamente el valor
medio absoluto (MAV), el valor cuadrático
medio (RMS) y un indicador binario de
activación muscular. El valor medio absoluto se
calculó como:
MAV=1/N ∑_(n=1)^Nx(n)|
De manera similar, el valor cuadrático medio
(RMS) se obtuvo mediante:
RMS=√(1/N ∑_(n=1)^Nx^2 (n))
Las características de mayor complejidad se
extrajeron exclusivamente durante la fase de
entrenamiento y clasificación, implementada en
un entorno de procesamiento externo en Python.
En esta etapa se calcularon la longitud de la
forma de onda (Waveform Length, WL) y los
cambios de pendiente (Slope Sign Changes,
SSC) (Pinheiro et al., 2011; Eddy et al., 2023).
La longitud de la forma de onda se definió
como:
WL=∑_(n=1)^(N-1)▒ |x(n+1)-x(n)|
Por su parte, los cambios de pendiente se
calcularon mediante:
SSC=∑_(n=2)^(N-1)▒ f((x(n)-x(n-1))(x(n)-
x(n+1)))
Donde la función f(⋅) se define como:
f(u)={■(1,&"si " u≥θ@0,&"en otro caso" )┤
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 897
siendo θ un umbral definido para reducir la
influencia del ruido en la detección de cambios
de pendiente. Se utilizó una Máquina de
Vectores de Soporte (SVM) con kernel de
función de base radial (RBF) para clasificar los
patrones musculares faciales, seleccionado por
su capacidad para modelar relaciones no
lineales presentes en señales electromiográficas
(Gowda et al., 2025; Hasan, 2025).
Los datos fueron transformados con
StandardScaler previo al entrenamiento. El
conjunto de datos se dividió en entrenamiento y
prueba (80/20) con muestreo estratificado para
preservar la distribución de clases. La
evaluación del modelo incorporó precisión
global, exactitud, recall y puntuación F1. Se
construyó una matriz de confusión para analizar
predicciones correctas e incorrectas por clase,
identificando errores específicos entre palabras
y patrones de confusión. Se calculó el intervalo
de confianza del 95% para la precisión global
mediante aproximación normal:
IC_(95%)=p ˆ±z_(α/2) √((p ˆ(1-p ˆ))/n)
donde p ˆ representa la precisión observada, n el
tamaño de muestra y z_(α/2)=1.96. Se
desarrolló una interfaz de usuario basada en el
framework web Flask, implementada en
Python, con el objetivo de facilitar la
interacción del usuario con el sistema de
comunicación aumentativa basado en señales de
electromiografía (EMG). La interfaz permitió la
visualización en tiempo real de la señal EMG
procesada, el nivel de activación muscular
detectado y la palabra reconocida por el
clasificador. Adicionalmente, la interfaz integró
un mecanismo de biofeedback visual basado en
el valor medio absoluto (MAV). Este
mecanismo permitió al usuario observar en
tiempo real la intensidad y duración de las
contracciones musculares faciales realizadas,
favoreciendo el ajuste consciente del esfuerzo
muscular y contribuyendo a mejorar la
consistencia y reproducibilidad de los patrones
de activación generados.
Los protocolos garantizaron repetibilidad de
pruebas, reduciendo fatiga muscular en
condiciones controladas. Antes de cada sesión
se verificó la posición de electrodos y se realizó
calibración con músculo en reposo. Se
definieron tres palabras generadas mediante
contracciones voluntarias. Cada palabra se
abordó en una secuencia de adquisición con
hasta tres intentos consecutivos. Cada intento
consistió en contracción muscular voluntaria
seguida de 30 s de descanso para minimizar
superposición y permitir recuperación
muscular. Cada sesión tuvo duración
aproximada de 16 minutos (10 minutos de
descanso, 5 minutos de contracciones),
reduciendo fatiga y manteniendo calidad de
señal.
Resultados y Discusión
El sistema fue entrenado y evaluado con 251
muestras EMG de tres palabras: Agua,
Ambulancia y Mar. Cada muestra se obtuvo con
contracciones faciales detectadas
automáticamente mediante umbral MAV. El
umbral se calibró por sesión individual durante
fase de reposo, estableciéndose como factor
multiplicativo (k=2) del MAV basal. En
Arduino se calcularon características básicas:
MAV, RMS e indicador binario de activación.
En procesamiento fuera de línea se extrajeron
WL y SSC, combinándose con MAV y RMS
para formar el vector de características final. El
conjunto de datos se dividió en entrenamiento
(80%) y prueba (20%) con separación
estratificada. El conjunto de prueba (51
muestras) se utilizó exclusivamente para
evaluación del clasificador SVM con kernel
RBF. El modelo alcanzó exactitud global del
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 898
88%. Los resultados por clase se presentan en la
Tabla 1:
Tabla 1. Resultados de clasificación por
palabra
Palabra
Precisión
(%)
Recall (%)
F1
Agua
83
90
0.86
Ambulancia
92
85
0.88
Mar
94
88
0.91
Fuente: Elaboración propia
El intervalo de confianza del 95% para
precisión global, considerando p ˆ=0.88 y n=51,
se ubicó en el rango [0.79, 0.97], indicando que
el desempeño se mantiene estadísticamente
estable, validando la fiabilidad de los
parámetros utilizados. Los resultados
evidencian que características temporales
simples (MAV, RMS) complementadas con
descriptores de forma (WL, SSC) permitieron
discriminación efectiva entre patrones
musculares. El desempeño del SVM con kernel
RBF confirma su capacidad para modelar
relaciones no lineales en señales EMG faciales,
concordando con estudios similares (Pinheiro et
al., 2011; Shafiq et al., 2024). La matriz de
confusión mostró comportamiento balanceado
entre clases con baja tasa de errores de
clasificación cruzada, sugiriendo que las
características capturan adecuadamente la
dinámica temporal e intensidad de activación
muscular facial. Resultados comparables han
sido descritos en investigaciones sobre
interfaces EMG (Gowda et al., 2025; Ghoul et
al., 2024).
La decisión de calcular únicamente MAV, RMS
y detección de activación en el
microcontrolador redujo la carga
computacional y garantizó transmisión en
tiempo real. La extracción de características
adicionales y entrenamiento se realizaron fuera
de línea, siguiendo una arquitectura distribuida
ampliamente utilizada en prototipos EMG de
bajo costo (Mohd et al., 2022). La interfaz
gráfica y el biofeedback visual basado en MAV
facilitaron el control voluntario de
contracciones musculares. La visualización en
tiempo real permitió al usuario ajustar
progresivamente intensidad y duración de
activación, mejorando la consistencia de señal,
comportamiento consistente con lo reportado en
la literatura (Toledo et al., 2022). Durante el
desarrollo experimental se identificaron
limitaciones relacionadas con sensibilidad a
interferencias electromagnéticas externas. La
proximidad a dispositivos electrónicos generó
incrementos no deseados en amplitud EMG,
produciendo activaciones espurias,
comportamiento inherente a la baja amplitud de
señales de superficie (Pinheiro et al., 2011;
Eddy et al., 2023). Las pruebas se realizaron en
entorno controlado, minimizando fuentes de
ruido y asegurando correcta colocación de
electrodos y referencia a tierra adecuada,
concordando con recomendaciones
metodológicas para sistemas EMG aplicados a
comunicación asistida (Naves et al., 2012;
Moon et al., 2024). El sistema mantuvo
desempeño estable bajo estas condiciones,
demostrando viabilidad como prototipo
funcional.
Conclusiones
Este documento presenta el diseño,
implementación y evaluación de un sistema de
comunicación aumentativa basado en señales
EMG faciales capaz de interpretar
contracciones musculares voluntarias en
comandos comunicativos específicos. De los
resultados mostrados, de su análisis y de su
discusión, se pueden obtener las siguientes
conclusiones:
➢ La electromiografía de superficie
constituye una alternativa viable y no
invasiva para el desarrollo de interfaces de
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 899
comunicación asistiva, con un desempeño
del 88% de precisión global en la
clasificación de tres palabras del
vocabulario definido. El diseño modular
del sistema permitió una integración
organizada de los módulos de adquisición,
procesamiento, clasificación y
visualización, contribuyendo a un
funcionamiento estable y reproducible del
prototipo.
➢ La combinación de características
temporales simples (MAV, RMS)
computadas en tiempo real con descriptores
adicionales (WL, SSC) extraídos fuera de
línea demostró ser eficaz para la
discriminación de patrones musculares
faciales, optimizando la carga
computacional del sistema embebido. La
interfaz gráfica web con biofeedback visual
en tiempo real mejoró significativamente la
interacción usuario-sistema, permitiendo al
usuario ajustar intensidad y duración de
contracciones musculares y resultando en
mejor consistencia de patrones de
activación.
➢ La sensibilidad del sistema a interferencias
electromagnéticas en entornos no
controlados constituye una limitación
inherente a los sistemas EMG de superficie,
lo que resalta la importancia del adecuado
acondicionamiento de señal y control del
entorno de adquisición. El sistema es
funcional, reproducible y técnicamente
consistente como prototipo EMG de
comunicación asistiva, estableciendo una
base sólida para investigaciones futuras que
conlleven ampliación del vocabulario,
incorporación de múltiples canales
electromiográficos, mejora de robustez
ante ruido y validación con usuarios finales
en entornos clínicos.
Referencias Bibliográficas
Ausubel, E. (2023). A framework and call to
action for the future development of EMG-
based input in HCI. Conference on Human
Factors in Computing Systems -
Proceedings.
http://dx.doi.org/10.1145/3544548.3580962
Ghoul, O. (2024). Design and implementation
of an EMG-based communication interface
for enhancing interaction with deaf
individuals. Journal of Information Sciences,
23, 1–20.
https://revues.imist.ma/index.php/JIS/article
/view/51444
Gowda, H. (2025). Geometry of orofacial
neuromuscular signals: Speech articulation
decoding using surface electromyography.
Journal of Neural Engineering.
Hasan, H. (2025). A cost effective deaf-mute
electronic assistant system using Myo
armband and smartphone. arXiv.
https://arxiv.org/pdf/2503.14901
Kang, J. (2025). A wearable silent text input
system using EMG and piezoelectric
sensors. Sensors, 25(8), 2624.
https://www.mdpi.com/1424-
8220/25/8/2624
Mohd, T. (2022). Multi-modal data fusion of
voice and EMG data for robotic control.
IEEE 8th Annual Ubiquitous Computing,
Electronics and Mobile Communication
Conference (UEMCON), 329–333.
http://arxiv.org/abs/2201.02237
Moon, K. (2024). Wireless mouth motion
recognition system based on EEG-EMG
sensors for severe speech impairments.
Sensors, 24(13), 4125.
https://www.mdpi.com/1424-
8220/24/13/4125
Naves, E. (2012). Alternative communication
system for people with severe motor
disabilities using myoelectric signal control.
ISSNIP Biosignals and Biorobotics
Conference: Biosignals and Robotics for
Better and Safer Living (BRC 2012).
Pinheiro, C. (2011). Alternative communication
systems for people with severe motor
disabilities: A survey. BioMedical
Engineering Online, 10, 1–28.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 900
https://biomedical-engineering-
online.biomedcentral.com/articles/10.1186/
1475-925X-10-31
Salomons, I. (2025). Electrode setup for
electromyography-based silent speech
interfaces: A pilot study. Sensors, 25(3), 781.
https://www.mdpi.com/1424-8220/25/3/781
Shafiq, U. (2024). A fusion of EMG and IMU
for an augmentative speech detection and
recognition system. IEEE Access, 12,
14027–14039.
Sualiheen, S. (2025). Emgvox-GAN: A
transformative approach to EMG-based
speech synthesis, enhancing clarity and
efficiency via extensive dataset utilization.
Computer Speech & Language, 92, 101754.
https://www.sciencedirect.com/science/artic
le/pii/S0885230824001360
Toledo, C. (2022). Virtual/augmented reality
for rehabilitation applications using
electromyography as control/biofeedback:
Systematic literature review. Electronics,
11(14), 2271. https://www.mdpi.com/2079-
9292/11/14/2271
Esta obra está bajo una licencia de
Creative Commons Reconocimiento-No Comercial
4.0 Internacional. Copyright © Leslie Cristina Taco
Betancourt y Luis Geovanny Romero Mejía.
