Edgar Francisco Arcos

Prof. Edgar Francisco Arcos

orcid

Research Focus & Metrics

Academic Career Length

7Years (2020-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications

3 March 2020
Verified
Book Chapter
Closed access
PDF file
LBLeonardo Antonio Bermeo
Leonardo Antonio Bermeo
JMJohn Jairo Villarejo Mayor
John Jairo Villarejo Mayor
EAEdgar Francisco Arcos
Edgar Francisco Arcos
DQDiana M. Quiguanas
Diana M. Quiguanas
ABAndrea A. Bravo
Andrea A. Bravo
VPVanessa Perez Plaza
Vanessa Perez Plaza

3 March 2020
Verified
Book Chapter
Closed access
PDF file
EAEdgar Francisco Arcos
Edgar Francisco Arcos
ASAndrés Felipe Ortegón Sanchez
Andrés Felipe Ortegón Sanchez
JRJuberth Rentería
Juberth Rentería
JGJavier Ferney Castillo García
Javier Ferney Castillo García
MCMaria del Mar Millán Castro
Maria del Mar Millán Castro

18 August 2026 in OnBoard Knowledge Journal
Verified
Journal Article
Open access
PDF file
EAEdgar Francisco Arcos
Edgar Francisco Arcos
JVJhon Edwar Vargas Vásquez
Jhon Edwar Vargas Vásquez
LBLuis Enrique Rios Benitez
Luis Enrique Rios Benitez
En este trabajo se presenta el diseño de un brazo robótico de cuatro grados de libertad basado en una configuración tipo SCARA, con un alcance aproximado de 2.22 m y una capacidad de carga de 5 kg, destinado al posicionamiento y orientación de un sistema de proyección. El desarrollo del sistema se realizó siguiendo la metodología de diseño de productos de Karl Ulrich, abarcando desde la definición de requerimientos hasta la validación del prototipo. Se llevó a cabo el diseño mecánico del manipulador mediante herramientas CAD, así como el modelado cinemático utilizando el método de Denavit–Hartenberg para determinar la posición y orientación del efector final. Adicionalmente, se realizó un análisis estructural mediante simulación por elementos finitos en el software Fusion 360, obteniendo un factor de seguridad mínimo de 4.8 y desplazamientos máximos de 4.464 mm, lo que valida la integridad estructural del sistema. El sistema de actuación se diseñó a partir del análisis de torque requerido, implementando motores paso a paso NEMA 24 con transmisión por correa dentada que permite amplificar el torque hasta 15 Nm. Finalmente, se desarrolló el sistema electrónico de control basado en Arduino en conjunto con el driver DM542, permitiendo la operación manual del manipulador. Los resultados obtenidos evidencian la viabilidad del diseño propuesto y su potencial aplicación en diferentes entornos.

29 October 2026 in Biosensors
Verified
Journal Article
Open access
PDF file
EAEdgar Francisco Arcos
Edgar Francisco Arcos
LBLeonardo Antonio Bermeo
Leonardo Antonio Bermeo
SSSantiago Vasquez Salazar
Santiago Vasquez Salazar
LGLuis David Delgado Giraldo
Luis David Delgado Giraldo
Spinal cord injuries (SCIs) are a major cause of upper limb impairment. In individuals with incomplete SCI, limitations of traditional myoelectric control have motivated artificial intelligence-based pattern recognition to better detect movement intent. This study aimed to develop and evaluate a system for the acquisition and classification of 8 hand gestures from myoelectric signals (MESs) in three participants with incomplete SCI. The 4-channel system captured myoelectric signals using individual sensors, from which 22 time-domain and frequency-domain features were extracted. Three feature selection techniques were applied: ReliefF, sequential feature selection (SFS), and genetic algorithms (GA). Eight machine learning models were trained using cross-validation: random forest (RF), support vector machines (SVM), multilayer perceptron (MLP), k-nearest neighbors (KNN), linear discriminant analysis (LDA), logistic regression (LR), decision trees (DT), and Gaussian Naïve Bayes (GNB). Statistical analysis confirmed RF as the best-performing classifier (p < 0.05), while KNN and MLP showed equivalent performance across subjects. Offline accuracies ranged from 71.78% to 81.60%. Real-time evaluation of RF-SFS yielded 76.67% accuracy with a mean end-to-end processing time of 330.42 ± 6.65 ms. Given the small and heterogeneous cohort, these findings should be interpreted as preliminary, participant-specific evidence of the feasibility of myoelectric hand gesture classification in individuals with incomplete SCI rather than as population-level estimates of performance.