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.
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.