Universidad Autónoma de Querétaro

Santiago de Querétaro, Querétaro

Facultad de Ingeniería
Ingeniería Biomédica
Campus Aeropuerto
Semestre 2022-2

Materia: Procesamiento de Señales

Profesor : Dr. Juan Pablo Amézquita Sánchez

Proyecto Final

Grupo: 41, 6° Semestre

Fecha de entrega: 23/01/2023

Alumnos:

Hernández Gaspar Quetzalli, expediente 252461

Reséndiz Jaramillo Daniel, expediente 290477

Pérez Alcántara Karina Rocío, expediente 290475

1. Introducción 1

2. Material 2
2.1 Recursos Materiales 2
2.2 Funciones de matlab 3
2.3 Recursos Humanos 3
2.3.1 Miembros del equipo 3
2.3.2 Miembros partícipes de las pruebas tomadas 3
2.3.3 Pruebas de la adquisición de las señales 3

3. Metodología 4
3.1 Diagrama de Bloques 4
3.2 Justificación 4
3.2.1 Algoritmo 5
3.2.2 Investigación 5

4. Resultados 10

5. Conclusiones 10
5.1 Daniel Reséndiz Jaramillo 10
5.2 Quetzalli Hernández Gaspar 10
5.3 Karina Rocío Pérez Alcántara 10
6. Trabajo en equipo 10
6.1 Redacción de trabajo final 10
6.2 Algoritmo 10
6.3 Video 11
6.4 Delegación de actividades 11
6.5 Presentación 11
7. Referencias 11

8. Anexo 13

1. Introducción
Una señal digital es un conjunto de magnitudes físicas medidas en un intervalo de
tiempo determinado. Estas magnitudes se representan lo más congruente posible
en algún dispositivo digital, para llevar a cabo su análisis. Las señales pueden tener
un origen físico, como los fenómenos mecánicos o electromagnéticos, uno social,
como los económicos y las que resultan de procesos biológicos, como la voz, la
presión arterial, la actividad del cerebro, etc. El análisis pretende desglosar la
información de las señales a fin de aprovechar el conocimiento del fenómeno que se
estudia [1].

1
Un patrón representa a una clase de señales, que a su vez representa una clase de
entidades individuales (objetos, acciones, eventos, procesos, etc.). Los patrones se
obtienen a partir de la extracción de características distintivas o atributos de dichas
entidades. Ya que las señales casi siempre contienen ruido del medio ambiente, se
requiere reducir la información obtenida, para que solamente queden los rasgos
más significativos de las clases [1].

El reconocimiento consiste en clasificar una o varias señales desconocidas en la

clase correspondiente. Por ejemplo, “paciente sano” - “paciente enfermo”. Un
sistema de reconocimiento de patrones que se construye a partir de analizar y
manipular partes de un problema se puede dividir en diseño, en el que primero se
determinan técnicas para limpiar las señales, es decir, eliminar todo aquello que no
sea relevante para la aplicación, para poder seleccionar las transformaciones y
obtener las características que representarán a la señal. Finalmente se escoge el
método de clasificación. por otro lado se tiene la evaluación donde se comprueba
arduamente que dichas normas sean las correctas. El diseño del clasificador tiene a
su vez varias etapas. Frecuentemente la selección de las estrategias para extraer
características y el método de clasificación están estrechamente relacionas y se
influyen mutuamente [1].

El siguiente trabajo aborda el análisis de señales digitales y el reconocimiento

automático de patrones. Se muestra el proceso para el reconocimiento de señales
biologicas (flexión y extensión de brazo) desde la extracción de las señales hasta la
obtención de los resultados, es decir, la discriminación de los datos obtenidos para
determinar el conjunto al que pertenecen (flexión o extensión). La modulación de
señales implica el manejo de información muy compleja. Ya que los fractales
cuentan con una buena capacidad para expresar estas características, se usaron
fractales para la extracción y el reconocimiento de dicha información [1].

2. Material
Nosotros, frecuencias de muestreo, imágenes del experimento, adquisición del
material, posición de px

2.1 Recursos Materiales

● Frecuencias de muestreo
● Imágenes del experimento
● Adquisición del material (señales)
● Computadoras
● Matlab R2022a (con licencia)

2
2.2 Funciones
● Anova 1
● Butterworth pasa bajas y pasa bandas
● Plot
● Katz
● Sevcik
● Petrosian
● Absoluto
● Display
● Estructuras lógicas: For e If
● Llamar a un archivo load

2.3 Recursos Humanos

2.3.1 Miembros del equipo

● Daniel Reséndiz Jaramillo
● Quetzalli Hernández Gaspar
● Karina Rocío Pérez Alcántara

2.3.2 Miembros partícipes de las pruebas tomadas

1. Daniel Reséndiz Jaramillo
2. Quetzalli Hernández Gaspar
3. Karina Rocío Pérez Alcántara
4. Miriam Carapia
5. Isaac Vázquez
6. Dennis Ramos
7. Melissa G. Tang
8. Francisco Portos
9. Miguel Méndez
10. Fernanda Nayeli
11. Edgar Félix
12. Adrián Lima

2.3.3 Pruebas de la adquisición de las señales

3
Foto 1. Posicionamiento de los parches
en participantes
Foto 2. Participante realizando primer
ejercicio para la toma de muestras de
señales.

Foto 4. Participante y miembros del

equipo en la toma de muestras de
Foto 3. Participantes en espera de la señales.
toma de muestras y colocando los
parches.

4
3. Metodología

3.1 Diagrama de Bloques

Figura 1: Diagrama de Procesos

Recuperado de :
https://es.123rf.com/photo_77679498_brazos-de-hombres-fuertes-con-venas-una-fot
ograf%C3%ADa.html

3.2 Justificación

3.2.1 Algoritmo
Primero se leyeron los archivos de “Flexión” y “Extensión” y se guardaron los datos
en nuevas variables (F y E, respectivamente) para su manejo e identificación.

Se decidió graficar una parte de la señal, tanto de flexión como extensión, de cada
paciente para observar que la información fuera correcta y se determinó cuales eran
las señales a las más útiles a las que se aplicó la transformada de Fourier y las
frecuencias obtenidas se utilizaron para los filtros Butterworth.

Como se puede apreciar en la Tabla 1, las frecuencias de extensión en la mayoría

de los casos era de 0, mientras que la frecuencia de flexión variaba en todas las
pruebas, además en la mayoría de los casos también se tenía una frecuencia 0 pero
se debía a que la información de la señal era tanto de flexión como extensión y se
decidió optar por la segunda frecuencia más alta.

5
Se probaron todas las frecuencias para determinar cuál era la que nos permitía
tener una mejor diferenciación. En el caso de las frecuencias de extensión se utilizó
un filtro pasa bajas, pero no fue muy útil supuesto que las señales de flexión
también tenían esta frecuencia, por otro lado, la frecuencia de flexión del paciente
11 (76.9043 Hz ver Tabla 1) fue la que mejor dio resultado, teniendo una eficiencia
del 81.66%.

Tabla 1: Frecuencias de flexión y extensión

3.2.2 Investigación

Flexión y extensión
Para llevar a cabo este movimiento de extensión y flexión del codo está involucrado
el sistema músculo esquelético, el cual se conforma de por el conjunto de 2 tipos de
estructuras, músculos y huesos que se unen para dar sostén al cuerpo humano,
protección a órganos y tejidos del cuerpo, entre otras funciones. Los músculos están
compuestos de fibras musculares y difieren en base a en qué zona del cuerpo se
encuentren. [2]

En general los músculos están formados por agua, mioglobina y otros componentes
esenciales para su función, sus estructuras internas son las siguientes, y se puede
apreciar mejor en la imágen 2:

● Proteínas actina, miosina y tropomiosina.

● Sarcoplasma.
● Miofibrillas.
● Sarcómero.

6
 ● Placa motora. [2]

Figura 2: Estructura del Músculo Esquelético

Recuperado de :
https://es.dreamstime.com/stock-de-ilustración-ejemplo-de-la-historieta-de-la-anat
omía-del-músculo-esquelético-de-la-estructura-image69693231

Ambos sitios son de interés para esta investigación, ya que son parte esencial para
los movimientos de Flexión y Extensión. La flexión y la extensión son generalmente
movimientos hacia adelante y hacia atrás, como el movimiento de cabeza de asentir.
La Flexión es la disminución del ángulo entre dos huesos (doblar, inclinarse). Y la
extensión por otro lado, es el aumento del ángulo entre dos huesos (estirar una
parte que está doblada, inclinada) [3].

Para el movimiento en la articulación del codo, se ubican específicamente 5

músculos que ayudan en este movimiento, el tríceps braquial y el ancóneo son
músculos que extienden el codo. El bíceps braquial, el braquial y el braquiorradial
flexionan el codo. Pese al hecho de extensión de un grupo, ambos grupos son
partícipes al mismo tiempo de dicho movimiento, se les llama agonistas y
antagonistas [3].

7
 Figura 3: El tríceps braquial tiene cuatro puntos de unión: una inserción
terminal en el cúbito y tres inserciones de origen (dos en el húmero y uno en
la escápula).
Recuperada de:
https://www.visiblebody.com/es/learn/muscular/muscle-movements#:~:text=Flexión
%3A%20disminución%20del%20ángulo%20entre,el%20braquiorradial%20flexiona
n%20el%20codo.

El músculo principal, también conocido como agonista, es el músculo que

proporciona la fuerza principal para llevar a cabo la acción. Un músculo antagonista
se opone a un músculo principal, ya que brinda alguna resistencia y/o revierte un
movimiento dado. Los músculos principales y los antagonistas con frecuencia se
encuentran en pares en lados opuestos de una articulación, y sus funciones de
músculo principal/antagonista se invierten cuando el movimiento cambia de
dirección [3]. Por lo general se podría decir que el agonista se contrae mientras que
el antagonista se extiende y viceversa.

Ahora bien, el sistema musculoesquelético no funciona solo, está inervado por el

sistema nervioso. El sistema nervioso es una red de tejidos cuya unidad básica es la
neurona, su principal función es captar las señales y procesarlas rápidamente, de
forma que pueda ejercer total control y coordinar una respuesta a los estímulos del
medio.

Está constituido por el conjunto de nervios y ganglios nerviosos. Se llaman nervios

los haces de fibras nerviosas que se encuentran fuera del neuroeje; ganglios, unas
agrupaciones de células nerviosas intercaladas a lo largo del recorrido de los
nervios o en sus raíces. El sistema nervioso simpático (también denominado

8
vegetativo o autónomo), se considera como una entidad nerviosa diferente que
transmite sólo impulsos relacionados con las funciones viscerales que tienen lugar
automáticamente, sin que influya la voluntad del sujeto [4].

Son los nervios craneales y espinales los que se presentan como cordones de color
blanquecino y brillante. Están formados por el conjunto de muchas fibras nerviosas,
casi todas revestidas de mielina. Todos los nervios craneales y espinales resultan de
la unión de fibras que salen del encéfalo o de la médula espinal. Sin embargo,
mientras que, para los nervios craneales dichas fibras se unen directamente para
formar el nervio, en los nervios espinales, las fibras se unen primero en dos
formaciones diferentes, la raíz anterior y la raíz posterior. La unión de ambas raíces
dan origen finalmente al tronco del nervio espinal. El tronco de todos los nervios
espinales tiene una longitud de poco más de 1 centímetro ya que se divide en una
rama anterior más gruesa, y una rama posterior más delgada [4].

Las ramas posteriores se mantienen siempre separadas e independientes entre sí,

mientras que, en las vías anteriores, además de los nervios intercostales
independientes se forman los plexos nerviosos. Los nervios con gran frecuencia,
acompañan a los vasos sanguíneos que deben alcanzar el mismo territorio
formando los paquetes vasculonerviosos, resultantes del conjunto de un nervio, una
arteria y una o varias venas, adosados y mantenidos unidos por tejido conjuntivo. Al
dirigirse hacia la periferia, los nervios emiten ramas en distintas direcciones. Estas
ramas se llaman ramas colaterales, mientras que las ramas en las que termina el
nervio para subdividirse en su terminación, se llaman ramas terminales [4].

Los nervios se clasifican según el tipo de impulsos que transporta:

● nervio sensitivo somático: nervio que recoge impulsos sensitivos no
referentes a la actividad de las vísceras;
● nervio motor somático: un nervio que transporta impulsos motores a los
músculos voluntarios;
● nervio sensitivo visceral: un nervio que recoge la sensibilidad de las vísceras;
● nervio elector visceral: un nervio que transporta a las vísceras impulsos
motores, secretores, etc [4].

9
 Figura 4: Inervación de un Músculo motor.
Recuperada de:
https://elaticodejulie.wordpress.com/datos/inervacion-del-musc
ulo-esqueletico-y-tipos-de-fibras-musculares/

Son los nervios motores los que transportan señales eléctricas denominadas
sinapsis (comunicación entre neuronas) del cerebro al músculo para enviar la orden
de generar un movimiento. A grandes rasgos, cada terminación nerviosa establece
una sinapsis denominada unión neuromuscular con la fibra cerca de su punto
medio, y el potencial de acción resultante viaja en ambas direcciones hacia los
extremos de la fibra muscular y provoca su contracción, lo que al final resulta como
un movimiento del músculo [5].

Cerca de la unión neuromuscular, el nervio motor pierde su vaina de mielina y se

divide en ramas finas que se denominan botones, estos contienen muchas vesículas
pequeñas y claras albergando acetilcolina que es el neurotransmisor de estas
uniones. La acetilcolina es sintetizada en el citoplasma neuronal a partir de la unión
de colina con acetato en presencia de acetil-CoA mediante la enzima acetilcolina
transferasa y posteriormente es almacenada en las vesículas sinápticas, donde será
transportado a las terminaciones nerviosas para ser utilizado en la transmisión de
impulsos nerviosos. Sin embargo, durante este proceso se requieren cuatro iones
Ca2+ para abrir una vesícula colinérgica y además es imprescindible mantener una

10
concentración mínima de Ca2+ extracelular de 10-4 M para que la conducción del
impulso nervioso termine con la liberación de acetilcolina [5].

4. Resultados

En la Figura 5 se observa el análisis estadístico con Katz que fue la que obtuvo el
valor más cercano a 0, sin embargo de manera visual algunos datos se traslapan
por lo que para eliminar la incertidumbre se realiza la matriz de confusión en el Tabla
2.

Figura 5: Diagrama de cajas y bigotes de la señal

En la Tabla 2 se observan los valores de los bigotes superiores e inferiores de los

conjuntos de la Figura 5, los cuales se utilizaron para calcular el valor promedio que
se utiliza para la diferenciación entre flexión y extensión. Además, del lado izquierdo
se muestra la matriz de confusión en la que la eficiencia obtenida fue de un 81.66%

11
 Tabla 2 Valor discriminante y Matriz de confusión

5. Conclusiones
● Resumir lo visto en resultados, qué cambiar y qué no??

5.1 Daniel Reséndiz Jaramillo

Con base en este proyecto se concluye que no se obtuvo el éxito esperado, ya que,
la eficiencia obtenida fue de 81.66% menor al 85% requerido, sin embargo, se
pudieron realizar de manera satisfactoria el pre-procesamiento, procesamiento y
análisis estadístico de las señales de flexión y extensión obtenidas. Para futuros
proyectos es importante tener cuidado en la adquisición de las señales, supuesto
que esto nos facilitará separar mejor las señales para obtener una mejor
diferenciación.

5.2 Quetzalli Hernández Gaspar

Dentro del proyecto nos encontramos con varios retos, sin embargo lo mas
complicado fue encontrar las mejores frecuancias para la clasificacion de las
categorías. El diagrama de cajas y bigotes fue una buena ayuda visual, mas no
definitiva, puesto que al realizar la matriz de confusión se obtenía un resultado mejor
al esperado, pues no era lo único que se tenia que tener en cuenta al usar
información tan complicada como lo son las señales biológicas. Aunque no se
obtuvo un 85% de efectividad en promedio se logro alcanzar con

5.3 Karina Rocío Pérez Alcántara

Tal vez no se pudo lograr el 85% de efectividad porque las señales que fueron
tomadas como muestras contenían muchas variables fuera del control, por lo que al
pasarlas por los filtros no se obtuvo en un inicio lo deseado al pasar todas las
señales a un vector. Es por eso que se decidió tomar nuevamente una sola señal
para en base a esa señal lograr los requisitos solicitados por el proyecto. La
siguiente idea ejecutada fué dividir las señales por flexión y extensión de cada
paciente y en base a las gráficas obtenidas se hizo una depuración de la señal
muestra de aquellos pacientes que no se podían leer con claridad. Y creo que es el

12
paso más importante que tomamos, pues nos permitió tal vez reducir algunos
pasos, es un procesamiento que involucró una parte orgánica de parte de los
miembros del equipo, claro que de haber tomado las mediciones de forma correcta
con el miógrafo podríamos haber evitado este paso. Creo que lo más importante en
el procesamiento de Señales sería la obtención de la misma y saber limpiarlas
correctamente, así como al final, poder obtener el análisis estadístico de ellas.

6. Trabajo en equipo

6.1 Redacción de trabajo final

● Karina Pérez
● Quetzalli Hernández
● Daniel Reséndiz

6.2 Algoritmo
● Daniel Reséndiz

6.3 Video
● Quetzalli Hernández
● Karina Pérez
● Daniel Reséndiz

6.4 Delegación de actividades

● Karina Pérez

7. Referencias
[1] S. Chang-Ting, "Signal Pattern Recognition Based on Fractal Features and Machine
Learning", Applied Sciences, agosto de 2018.
[2] "Músculo". FisioOnline Artículos, vídeos, infografías y clínicas de fisioterapia.
https://www.fisioterapia-online.com/glosario/musculo (accedido el 21 de enero de
2023).
[3] "Movimientos musculares | Aprenda anatomía muscular". Visible Body - Virtual
Anatomy to See Inside the Human Body.
https://www.visiblebody.com/es/learn/muscular/muscle-movements#:~:text=Flexión:
%20disminución%20del%20ángulo%20entre,el%20braquiorradial%20flexionan%20
el%20codo. (accedido el 21 de enero de 2023).

13
[4] "SISTEMA NERVIOSO PERIFERICO". IQB: MEDCICLOPEDIA.
https://www.iqb.es/neurologia/a006.htm (accedido el 23 de enero de 2023).
[5] "Qué es y cómo se estructura el sistema nervioso - Neurocirugía de la Torre".
Neurocirugía de la Torre.
https://www.neurocirugiaequipodelatorre.es/que-es-y-como-se-estructura-el-sistema-
nervioso (accedido el 23 de enero de 2023).

8. Anexo
Proyecto Final (Parte 1)
clear all;
close all;
clc;

load('extension.mat');
load('flexion.mat');
F = v2;
E = v1;

Fs=1000;
ND=length(E);
t=0:1/Fs:(ND-1)/Fs;

m=1;
j=1;
for i=1:12
if (i ~= 4)&&(i ~= 8)&&(i ~= 10)
% figure, subplot(1,2,1), plot(F(m,:));title('Flexion P',i),xlabel('Tiempo (t)'),
ylabel('Amplitud');
% subplot (1,2,2), plot(E(m,:));title('Extension P',i),xlabel('Tiempo (t)'),
ylabel('Amplitud');
%FFT FLEXION
L=length(F(m,:));
NFFT=2^nextpow2(L);
Y=fft(F(m,:),NFFT)/L;
f=Fs/2*linspace(0,1,NFFT/2+1);
YYF(j,:)=2*abs(Y(1:NFFT/2+1));

%FFT EXTENSION
L=length(E(m,:));
NFFT=2^nextpow2(L);

14
 Y=fft(E(m,:),NFFT)/L;
f=Fs/2*linspace(0,1,NFFT/2+1);
YYE(j,:)=2*abs(Y(1:NFFT/2+1));

j=j+1;
end
m=m+5;
end

figure, subplot(1,3,1),plot(f,YYF(1,:)); title('FTT FLEXION Px1'),xlabel('Frecuencia

(HZ)'), ylabel('Amplitud');
subplot(1,3,2),plot(f,YYF(2,:)); title('FTT FLEXION Px2'),xlabel('Frecuencia (HZ)'),
ylabel('Amplitud');
subplot(1,3,3),plot(f,YYF(3,:)); title('FTT FLEXION Px3'),xlabel('Frecuencia (HZ)'),
ylabel('Amplitud');

figure, subplot(1,3,1),plot(f,YYF(4,:)); title('FTT FLEXION Px5'),xlabel('Frecuencia

(HZ)'), ylabel('Amplitud');
subplot(1,3,2),plot(f,YYF(5,:)); title('FTT FLEXION Px6'),xlabel('Frecuencia (HZ)'),
ylabel('Amplitud');
subplot(1,3,3),plot(f,YYF(6,:)); title('FTT FLEXION Px7'),xlabel('Frecuencia (HZ)'),
ylabel('Amplitud');

figure, subplot(1,3,1),plot(f,YYF(7,:)); title('FTT FLEXION Px9'),xlabel('Frecuencia

(HZ)'), ylabel('Amplitud');
subplot(1,3,2),plot(f,YYF(8,:)); title('FTT FLEXION Px11'),xlabel('Frecuencia (HZ)'),
ylabel('Amplitud');
subplot(1,3,3),plot(f,YYF(9,:)); title('FTT FLEXION Px12'),xlabel('Frecuencia (HZ)'),
ylabel('Amplitud');

figure, subplot(1,3,1),plot(f,YYE(1,:)); title('FTT EXTENSION Px1'),xlabel('Frecuencia

(HZ)'), ylabel('Amplitud');
subplot(1,3,2),plot(f,YYE(2,:)); title('FTT EXTENSION Px2'),xlabel('Frecuencia
(HZ)'), ylabel('Amplitud');
subplot(1,3,3),plot(f,YYE(3,:)); title('FTT EXTENSION Px3'),xlabel('Frecuencia
(HZ)'), ylabel('Amplitud');

figure, subplot(1,3,1),plot(f,YYE(4,:)); title('FTT EXTENSION Px5'),xlabel('Frecuencia

(HZ)'), ylabel('Amplitud');
subplot(1,3,2),plot(f,YYE(5,:)); title('FTT EXTENSION Px6'),xlabel('Frecuencia
(HZ)'), ylabel('Amplitud');
subplot(1,3,3),plot(f,YYE(6,:)); title('FTT EXTENSION Px7'),xlabel('Frecuencia
(HZ)'), ylabel('Amplitud');

15
figure, subplot(1,3,1),plot(f,YYE(7,:)); title('FTT EXTENSION Px9'),xlabel('Frecuencia
(HZ)'), ylabel('Amplitud');
subplot(1,3,2),plot(f,YYE(8,:)); title('FTT EXTENSION Px11'),xlabel('Frecuencia
(HZ)'), ylabel('Amplitud');
subplot(1,3,3),plot(f,YYE(9,:)); title('FTT EXTENSION Px12'),xlabel('Frecuencia
(HZ)'), ylabel('Amplitud');

for p=1:60
%Filtro butter --- preprocesamiento----
%Flexion
N=4;
% FF1 76.9043
Fc=[74.9043 78.9043];
Wn=2.*Fc/Fs;
[b a]=butter(N,Wn,'bandpass');
FF1F=filter(b,a,F(p,:)');
FF1E=filter(b,a,E(p,:)');

%Extension
% FE1 0
Fc=[1 5];
Wn=2.*Fc/Fs;
[b a]=butter(N,Wn,'bandpass');
FE1F=filter(b,a,F(p,:)');
FE1E=filter(b,a,E(p,:)');

%Procesamiento
%Flexion
FF1FK(1,p) = katz(FF1F,Fs);
FF1FS(1,p) = sevcik(FF1F,Fs);
FF1FP(1,p) = Petrosian(FF1F,Fs);

FE1FK(1,p) = katz(FE1F,Fs);
FE1FS(1,p) = sevcik(FE1F,Fs);
FE1FP(1,p) = Petrosian(FE1F,Fs);

%Extension
FF1EK(1,p) = katz(FF1E,Fs);
FF1ES(1,p) = sevcik(FF1E,Fs);
FF1EP(1,p) = Petrosian(FF1E,Fs);

FE1EK(1,p) = katz(FE1E,Fs);
FE1ES(1,p) = sevcik(FE1E,Fs);
FE1EP(1,p) = Petrosian(FE1E,Fs);

16
end

%Analisis estadistico
anova1([FF1FK' FF1EK']);
anova1([FE1FK' FE1EK']);

Proyecto Final (Parte 2)

clear all; FF1F=filter(b,a,F(p,:)');

close all; FF1E=filter(b,a,E(p,:)');
clc;
%limite clasificador 1.158
load('extension.mat'); FF1FK = katz(FF1F,Fs);
load('flexion.mat');
F = v2; if FF1FK > 1.158
E = v1; disp('Flexion')
NF1=NF+1;
Fs=1000; else
ND=length(E); disp('Extension´')
t=0:1/Fs:(ND-1)/Fs; NE1=NE+1;
end
NF=0; end
NE=0;
FF1EK = katz(FF1E,Fs);
for p=1:60 if FF1EK > 1.158
disp('Flexion')
%Flexion NF2=NF+1;
N=4; else
% FF1 76.9043 disp('Extension´')
Fc=[74.9043 78.9043]; NE2=NE+1;
Wn=2.*Fc/Fs; end
[b a]=butter(N,Wn,'bandpass'); end

Anexo 2
https://www.canva.com/design/DAFYib8gTFc/PTLF7xpC58xwBUoJLzXing/edit?utm_
content=DAFYib8gTFc&utm_campaign=designshare&utm_medium=link2&utm_sour
ce=sharebutton

17