Raygoza PJJ y cols. · por un circuito electrónico compuesto de un microprocesador con un arreglo...

135Raygoza PJJ y cols. Sistema de análisis de patrones implementado en FPGAs

www.medigraphic.org.mx

ARTÍCULO DE INVESTIGACIÓN ORIGINALSOMIB

REVISTA MEXICANA DEINGENIERÍA BIOMÉDICA

Vol. XXX, Núm. 2Diciembre 2009

pp 135 - 158

RESUMENRESUMENRESUMENRESUMENRESUMEN

La lesión del ligamento cruzado anterior (LCA) ha sido una de laspatologías más estudiadas desde diferentes puntos de vista. Seha experimentado con las variables, que de forma directa o indi-recta, definen el concepto de inestabilidad producida por estalesión. Debido a la dificultad que implica la realización de medicio-nes de la tensión y deformación de estas estructuras se han pro-puesto una amplia gama de metodologías de medición de estefenómeno. El interés por el estudio tensional de las estructuras arti-culares se debe a las posibilidades de obtener información sobrela estabilidad y la movilidad de articulaciones tanto sanas comolesionadas, con la posibilidad de intervenir sobre estos aspectos ensu tratamiento y rehabilitación. Este artículo presenta la implemen-tación de un sistema electrónico de monitorización de tensión-de-formación de ligamentos de la articulación y de un sistema dereconocimiento de patrones. El sistema está compuesto de senso-res strain gauge que detectan los cambios de tensión–deforma-ción de los ligamentos durante los movimientos, los cuales son re-gistrados formando patrones característicos que son clasificadospor un circuito electrónico compuesto de un microprocesador conun arreglo de redes neuronales embebidas en un dispositivo re-configurable FPGA.

Palabras clave:Palabras clave:Palabras clave:Palabras clave:Palabras clave: Ligamentos, rodilla, células de carga, FPGAs, mi-croprocesador.

ABSTRACTABSTRACTABSTRACTABSTRACTABSTRACT

The damage of the Previous Crossed Ligament (LCA) has been oneof the most widely and varied studied pathologies. We have exper-imented with both direct and indirect variable forms, which definethe concept of instability produced by this injury. Due to the difficultyin measuring this phenomenon, a wide range of methodologies havebeen proposed in order to measure it. The tension study focuses onthe specific structures needed for stability and mobility, comparinghealthy and injured joints as well as considering treatment and re-habilitation. This article presents the implementation of an electronicmonitoring system of tension-deformation of ligaments of the jointand of a patterns recognition system. The system is composed ofstrain gauge sensors that detect ligament tension-deformationchanges during movements, forming typical patterns which are clas-

Sistema de análisis de patrones implementadoen FPGAs para el estudio experimental de losligamentos en la articulación

Raygoza Panduro J.J.,*Ortega Cisneros Susana,*

Bonsfills Nuria,**Núñez Ángel,**

Gómez Barrena E**

* Departamento de Electrónica,CUCEI, Universidad de Guadala-jara.

** Dpto. de Morfología, Facultad deMedicina, Universidad Autónomade Madrid.

Correspondencia:Raygoza Panduro J.J.Departamento de Electrónica, CUCEI,Universidad de Guadalajara, Blvd.Marcelino García Barragán No. 1421,esq. Calzada Olímpica, Guadalajara,Jalisco, México, 44430.

Artículo recibido: 15/agosto/2008Artículo aceptado: 2/septiembre/2009


http://www.medigraphic.com/espanol/e1-indic.htm

136 Revista Mexicana de Ingeniería Biomédica • • • • • volumen XXX • • • • • número 2 • • • • • Diciembre 2009


INTRODUCCIÓN

La lesión del ligamento cruzado anterior (LCA) hasido una de las patologías ampliamente estudia-das, las lesiones de este tipo son tratadas con dife-rentes técnicas que van desde la reconstruccióndel ligamento con injertos de otros segmentos deligamentos como la sustitución de éste mediantefibras artificiales. Pero en la mayoría de los casos seconsidera que la recuperación no es total, debidoa que existe la pérdida de la conectividad propiadel ligamento, quedando sólo la reparación a nivelbiomecánico. Con la finalidad de estudiar la parti-cipación de las estructuras ligamentarias en la es-tabilidad de la articulación se ha experimentado conlas variables, que de forma directa o indirecta, de-finen el concepto de inestabilidad producida poresta lesión. Debido a la dificultad que implica larealización de mediciones de la tensión y deforma-ción de estas estructuras se han propuesto unaamplia gama de metodologías de medición deeste fenómeno1-4. El interés por el estudio tensionalde las estructuras articulares se debe a las posibili-dades de obtener información sobre la estabilidady la movilidad de articulaciones tanto sanas comolesionadas, con la posibilidad de intervenir sobreestos aspectos en su tratamiento y rehabilitación5.

Los experimentos para determinar las medicio-nes isométricas que puedan predecir la elongaciónde los ligamentos, durante flexiones y extensionespasivas, simultáneamente a la reconstrucción delLCA en vivo5,6 ha requerido el desarrollo de meto-dologías y técnicas de medición cada vez más di-versificadas. En la actualidad, frecuentemente nosencontramos que los investigadores recurren cadavez más al uso de diversos tipos de sensores elec-trónicos para desarrollo de cálculos de medicionesde desplazamientos relativos de la tibia respecto alfémur. Todos ellos relacionados con la finalidad deevaluar el comportamiento de los materiales utili-zados en los injertos del LCA7-9. Esto crea la necesi-dad de identificar con mayor claridad el compor-tamiento biomecánico de los ligamentos duranteeste tipo de lesiones. En la medida en que se logreestablecer una relación más clara entre el desem-peño de la estructura ligamentaria y la cinemática

de la articulación, se podrán proponer nuevas solu-ciones para mejorar la rehabilitación de pacientescon este tipo de lesiones.

Diversos son los enfoques que se han realizadoen el estudio del comportamiento de los ligamen-tos estabilizadores de la articulación10-12 algunosestán destinados a la simulación de estos últi-mos13-16. Las aplicaciones para determinar medi-ciones en los cambios tensionales se han plan-teado por medio de transductores de efecto Hally por mediciones de fuerza a través de dispositi-vos con células de carga9, introducido entre lasfibras del LCA de la rodilla.

El objetivo de este trabajo es el diseño de unsistema electrónico de monitorización de tensión-deformación de ligamentos de la articulación y deun sistema de reconocimiento de patrones orien-tado al estudio de rehabilitación de lesiones delligamento cruzado anterior (LCA). El origen de esteproyecto está basado en la importancia de las le-siones ligamentarias y además del gran interés porestablecer una relación del comportamiento dela respuesta mecánica de los ligamentos en la ar-ticulación, antes, durante y después de la lesióndel LCA.

El sistema electrónico de análisis y reconocimien-to de patrones se implementó en dispositivos re-configurables FPGAs (Field Programmable GateArray), para el análisis de la lesión del ligamento cru-zado anterior (LCA). El sistema está compuesto deun microprocesador que regula el control del siste-ma, mediante una configuración de dos redes neu-ronales para clasificación de patrones, basada enestructuras de mapas auto- organizativos SOM (SelfOrganizative Maps).

El circuito es programable y reconoce diferentessecuencias de patrones de movimientos de la arti-culación con lesiones del ligamento cruzado ante-rior (LCA). El circuito está implementado en una FPGAVirtex II. Este sistema de análisis realiza la clasifica-ción de los patrones de tensión deformación de losligamentos de la rodilla. Los resultados obtenidosde estos estudios experimentales forman parte delas contribuciones del comportamiento de los liga-mentos colateral medio (LMC) y rotuliano (LR) enpresencia de lesiones del LCA en rodillas17.

sified by an electronic circuit consisting of a microprocessor with anarrangement of neural networks embedded in a FPGA reconfigura-ble device.

KKKKKey Wey Wey Wey Wey Words:ords:ords:ords:ords: Ligament, knee, strain gauge, FPGAs, microprocessor.



Además este sistema está constituido de dosbloques principales, el módulo neuronal con sin-cronización self-timed (ST) y el microprocesadorcentral de 8 bits síncrono. El sistema realiza el pro-cesamiento con una estructura neuronal progra-mable que reconoce diferentes movimientos y se-cuencias continuas y mantiene la clasificación delos patrones de acuerdo con los cambios de po-sición de la articulación. Además, se implementóen circuitos reconfigurables FPGAs, cubriendo lanecesidad de tener un circuito modular, que seamóvil, el cual cuente con las prestaciones de unsistema flexible y con una unidad de programa-ción propia.

SISTEMA ELECTRÓNICO MONITOR DETENSIÓN-DEFORMACIÓN SEMT

Una técnica ampliamente aceptada para definirla inestabilidad de la articulación es comprobar unadislocación tibial anterior excesiva en ciertos gra-dos de flexión de la rodilla. Diversos estudios se hanrealizado para medir estos desplazamientos5,9,11.El ligamento LCA actúa como estabilizador prima-rio de la articulación que se opone al desplaza-miento de la tibia respecto del fémur6. Duranteeste proceso el ligamento experimenta diferentesniveles de tensión, lo cual hace pensar que la rela-ción tensión del LCA con respecto a la estabilidadde la articulación puede ser un parámetro útil paradeterminar la inestabilidad de la rodilla. Basadosen esta hipótesis, se han desarrollado diferentesexperimentos para tratar de medir los desplaza-mientos con el objetivo de calcular la tensión ydeterminar la función mecánica del LCA9,10,12. Laserie de experimentos que han desarrollado Beyn-non y Flemming para medir la elongación del LCAy los injertos de éste se ha realizado con sensoresde efecto Hall y DVRT9,18.

En este trabajo proponemos la utilización deun sistema especialmente diseñado para este es-tudio. El sistema electrónico de monitorizaciónde tensión-deformación permite detectar la ten-sión-deformación superficial de estructuras a tra-vés de sensores (strain gauge) células de carga.Este sistema tiene por objeto obtener informa-ción en tiempo real de la deformación superfi-cial de una estructura ligamentaria. La incorpo-ración de galgas extensométricas, colocadas enla superficie del ligamento, detecta los cambiosde tensión de la estructura con la mínima inter-ferencia en el comportamiento natural de la es-tructura.

Módulo de acondicionamiento de señal

El circuito acondicionamiento del sistema monitorde tensión-deformación SEMT está compuesto porlos arreglos resistivos de instrumentación tipo puen-te, los cuales permiten la medición de los cambiosde resistencia del sensor. El arreglo está dispuestopara realizar la compensación en la medición deuno, dos y cuatro elementos resistivos (galgas). Elúnico requisito para el correcto funcionamiento delcircuito, es mantener la relación siguiente:

(1)

En donde Rs es la resistencia del sensor y Rz es elvalor de resistencia del arreglo resistivo. En la Figu-ra 1 se observa que el arreglo Rz está compuestode dos resistencias R3, R2 y un interruptor SW1. Esteinterruptor ajusta la relación de voltaje de la malla1 de la conexión de sensores, mientras que el inte-rruptor SW2 cumple con la misma función en lamalla 2 del puente. Esta configuración está dis-puesta para la combinación de conexión de unoo varios sensores. Consideremos un primer caso enel cual se desea conectar una galga de valorRs=120Ω, los valores de R3 y R4 = 1KΩ, y el inte-rruptor SW1 deberá estar cerrado para formar elparalelo de R3, R4 y de esta forma es Rz = 500Ω.Este valor es aproximadamente 4 veces mayor quela resistencia de Rs y por lo tanto el voltaje de sen-sor será de ¼ VRz. En la Figura 1a se muestra eldibujo del puente balanceado y en la Figura 1b semuestran los tres casos de conexión de arreglosde sensores y configuración de los interruptorespara balancear el circuito resistivo de entrada. Unavez balanceado el puente de entrada, la señalproveniente del sensor entra a un seguidor de vol-taje que refuerza la señal en modo de corrientepara posteriormente pasar a través de un filtro pa-sobajos.

Circuito de ajuste de nivel

El circuito de ajuste de nivel está compuesto porcuatro etapas de resta y amplificación del nivel devoltaje, las cuales se conectan en serie para ir am-plificando y ajustando las variaciones de voltaje delos sensores. El diagrama del circuito de acondicio-namiento de señal se muestra en la Figura 2. Estecircuito se encarga de amplificar la señal del sen-sor e ir ajustando el nivel de voltaje para evitar lasaturación, restando el componente de continua.



Las variaciones reales del dispositivo sensor son delorden de ± .0001 volts, nivel de señal muy peque-ña que requiere ser amplificado hasta un rango de1 a 4.5 volts. El proceso de amplificación se realizaen cuatro etapas.

METODOLOGÍA Y DESARROLLO DE EXPERIMENTOS

El desarrollo de la experimentación se fundamentóen definir un sistema que fuese capaz de medir loscambios de tensión de una estructura biológica, en

Figura 1. a) Diagrama del circuito acondicionador tipo puente del sistema electrónico monitor de tensión-deformaciónSEMT. b) Tres casos de conexión de arreglos de sensores.

Figura 2. Un canal de instrumentación del módulo de acondicionamiento de señal del SEMT.



este caso ligamentaria y que permitiera aportar lainformación necesaria para ser relacionada con unalesión específica que altera la cinemática de la ar-ticulación. El problema se enfocó en la colocaciónde sensores artificiales que tratan de imitar, en for-ma parcial, el comportamiento de los sensores na-turales que poseen las estructuras ligamentarias, in-tentado, de esta forma, implementar un sistemaauxiliar que informe del estado de la articulación.Para ello, se estableció un procedimiento de insta-lación y preparación de galgas sobre tejidos suavesy ligamentos para ser evaluados y probados en es-tructuras reales. Este proceso de experimentaciónde laboratorio lo podemos dividir en dos fases:

1. Experimentación en articulaciones de patas degatos in vitro.

2. Experimentación en articulaciones de patas degatos in vivo.

En la primera fase la experimentación se realizóen patas de gato congeladas y separadas del ani-mal, con el objetivo de analizar y desarrollar unatécnica para la colocación y preparación de lossensores de medición. Es importante mencionar quelas dimensiones físicas, como el área y el espaciodisponible en las estructuras ligamentarias, son elprimer objetivo que se debe cumplir para la realiza-ción de la medición con el mínimo de interferenciaposible. En específico cuando se trató de evaluarla colocación del sensor del LCA, el espacio dispo-nible en la superficie del ligamento y en la cavidadentre la articulación es reducido.

En la segunda fase de experimentación se enfo-có a la realización de las mediciones de los siste-mas de sensores, en articulaciones de patas de gatoin vivo, la experimentación se realizó sobre anima-les de laboratorio anestesiados y previamente pre-parados en el Laboratorio de Morfología de la Fa-cultad de Medicina de la Universidad Autónoma deMadrid. Se incorporó un sistema de video para elanálisis visual del desplazamiento de la articulación.Para un mayor control en los movimientos se utilizóun dinamómetro y finalmente se realizaron las pri-meras pruebas de estimulación eléctrica musculary la observación de su respuesta, la cual nos hacepensar que una estimulación controlada puede serutilizada como un auxiliar en la corrección de la ines-tabilidad de la rodilla.

Instalación de las galgas extensométricas

Cuando la articulación o extremidad presenta mo-vimientos, los ligamentos son sometidos a fuerzasde tensión. Para detectar estos cambios en la es-tructura del ligamento colocamos galgas extenso-métricas del tipo FLG-02-23 de 2 mm de longitud,de 120 ± 0.3 Ω, con un factor de galga de 2.11 ±1% y el tipo FLK-1-23 de 1 mm de longitud, de 120± 0.3 Ω, con un factor de galga de 2.17 ± 1%.Comercializados por la compañía Tokio Sokki Kenkyu-jo Co., Ltd19-21. Los sensores son preparados previa-mente, antes de su colocación, cada dispositivoposee un par de cables que son recubiertos con untubo de plástico. En los extremos de cada cable seinstala una microterminal tubular hembra fijada a

Figura 3. Galgas extensio-métricas utilizadas comosensores de deformación.a) y b) Fotografía y dibujodel dispositivo sensor pre-parado para su instala-ción. c) Dimensiones físi-cas del dispositivo.



presión. En la Figura 3 se muestra una fotografía delsensor FLG-02-23, listo para ser colocado.

Los sensores son adheridos en la superficie delligamento con un pegamento biocompatible, unadhesivo biológico (Hystoacril®, Braun), cianoacrila-to utilizado con fines médicos. Este compuesto for-ma una interfase de fijación entre el sensor y el liga-mento, el cual permite transmitir al dispositivo sensorlos cambios físicos de la estructura ligamentaria.También este material cubre toda su superficiecomo una cápsula y protege las terminales descu-biertas del medio ambiente que le rodea.

Para la orientación del dispositivo sensor conside-ramos primeramente que la estructura del ligamen-to se comporta como un material transversalmenteisotrópico, en donde el eje principal del desplaza-miento se encuentra sobre la sección longitudinalde la estructura, es decir, la deformación predomi-nante se presenta en la dirección de la fuerza detensión aplicada y el ensanchamiento o restriccióndel ligamento será considerado muy pequeño. Bajoesta suposición la alineación del dispositivo es reali-zada a lo largo del ligamento.

La colocación del dispositivo se realiza con lasmarcas superiores hacia arriba y extendiendo loscables de alambre, separándolos aproximadamente1 cm entre cada terminal. La cara principal (ladode los pads) debe estar en la parte superior o defrente para que permita ajustar los alambres de loscables exteriores, como se muestra en la Figura 4.

Para la fijación del sensor se limpia el área, sedeposita una gota de hystoacril y se coloca el sen-sor, oprimiéndose suavemente sobre la superficiepor unos segundos hasta que éste quede adheri-do. Esta gota forma una delgada interfase entre lasuperficie del ligamento, lo suficientemente rígidapara fijar al sensor y flexible para transmitir los cam-bios superficiales del ligamento. Posteriormente se

separan los cables de las terminales 1 cm aproxi-madamente y se pone otra gota de hystoacril. Estaúltima gota encapsula a la galga para protegerlade posibles cortocircuitos provocados por la hume-dad o sangre de los tejidos laterales. Finalmente lossensores quedan dispuestos como se muestra en laFigura 5, en ésta se muestra un dibujo con las tresgalgas colocadas sobre los tres ligamentos de laarticulación monitorizados:

1) Sensor en el ligamento cruzado anterior «LCA».2) Sensor en el ligamento colateral medio «LCM».3) Sensor en el ligamento rotuliano «LR».

Los cables del sensor del LCA se introducen porun orificio que atraviesa el hueso, como se observaen el dibujo de la Figura 5a. Los cables de los otrosdos ligamentos quedan descubiertos y son más fá-ciles de conectar a los cables de extensión quepolarizan a los sensores.

En la Figura 5b se muestra la articulación de unapata de gato con los sensores de los ligamentoscolateral medio y rotuliano, se aprecia una bolitade plástico de color azul, ésta pertenece a un gru-po de tres marcadores visuales que indican el des-plazamiento de la articulación, éstos son utilizadosdurante la filmación de los movimientos para serevaluados y correlacionados con las respuestas delos sensores de tensión-deformación.

Descripción del experimento

Para el desarrollo de los resultados presentados eneste trabajo se utilizaron 7 gatos comunes de pesoentre 2.5 y 5 kg, que se obtuvieron de un criadorespecífico de animales de laboratorio. En cadasesión experimental de laboratorio se realiza lo si-guiente: A) Preparación de los animales, B) Ciru-

Figura 4. a) Alineación delsensor sobre el ligamento.b) Eje principal de defor-mación del ligamento.



gías para la colocación de sensores, C) Prepara-ción de los equipos y sensores de medición, D)Calibración de los equipos, y E) Análisis de datos.Cada experimento involucra mediciones de dife-rentes variables. Para medir la actividad muscularse requirió de un electromiograma que proporcio-na información de la respuesta muscular durantelas diferentes fases. Para detectar los inicios demovimientos se utilizó un sistema de ultrasonidoSonolab comercial de la marca Sonometrics Cor-poration Ltd. Para la detección de tensión-defor-mación superficial de los ligamentos se utilizó elsistema SEMT, que se diseñó específicamente paraeste proyecto, el cual es descrito en este trabajo.Durante cada sesión se registraron los datos de lasmediciones y se analizaron posteriormente. El de-sarrollo del experimento se realiza por orden cro-nológico de la siguiente forma:

Primero se realiza la preparación de la pata degato y los sensores (galgas) con sus cables de ex-tensión. Se fijan en la superficie de los ligamen-tos. Se colocan los electrodos de medición deactividad eléctrica y los sensores de ultrasonido.Una vez preparada la pata se procede a calibrarel equipo SEMT en una posición neutra de la arti-culación. La calibración del sistema consiste envariar la ganancia de cada etapa del circuito deinstrumentación del SEMT hasta obtener una sali-da de voltaje cercano a un nivel de referencia, o

a cero, como se describió en la sección del «sis-tema electrónico monitor de tensión-deformaciónSEMT».

Las salidas del SEMT se conectan a una tarjetade adquisición de datos del sistema Sonometricsen un ordenador, que captura 100 muestras porsegundo. Registra los canales de monitorización dela tensión-deformación y los canales de los senso-res de ultrasonido en archivos para computadora.Paralelamente, se observan los canales de tensión-deformación a través de un osciloscopio, para ase-gurar su calibración y evitar que presenten algunasaturación. Los movimientos de la pata de gato seorganizan, primeramente, en movimientos individua-les durante el proceso de calibración. En la Figura 6izquierda se muestra el ligamento colateral mediode la articulación en un movimiento de flexión–ex-tensión, de 0º a 90º flexión y en la Figura 6 de laderecha se muestra la pata del gato en un movi-miento en extensión. Durante la flexión el ligamen-to colateral experimenta un cambio gradual de ten-sión que varía de acuerdo al ángulo de la pata y altiempo que la articulación permanece en ciertaposición (el tiempo que el ligamento permanecesometido a una carga constante). Debido a la na-turaleza del comportamiento de los ligamentos enla articulación, la calibración se ajusta en una posi-ción específica para establecer los niveles de refe-rencia, en todos los sensores.

Figura 5. Posición de lossensores de tensión-defor-mación strain gauge en laarticulación. (1) Sensor so-bre el ligamento cruzadoanterior. (2) Sensor sobre elligamento colateral me-dio. (3) Sensor sobre el li-gamento rotuliano.



Posteriormente, se procede a realizar las medi-ciones de acuerdo con el protocolo de movimien-tos de la articulación establecido. Para realizar losmovimientos de tipo Lachman y de Cajón se utilizaun dinamómetro para regular la fuerza de tensiónaplicada. En el Cuadro 1 se presenta el procedi-miento de movimientos de experimentación que sonefectuados. Este procedimiento se aplica en to-das las patas de gatos con la finalidad de consoli-dar una base de datos que permita establecer lassimilitudes de comportamiento entre espécimen, yevaluar qué tan repetibles son los patrones en con-diciones similares, pero en animales diferentes.

Cada serie de movimientos genera 10 patronesindividuales específicos. Si se realizan mediciones

sobre tres ligamentos, en cada serie se obtienen 30patrones de tensión-deformación, si agrupamos lassiete series básicas se puede contar con 270 patro-nes para su caracterización en cada sesión de ex-perimentación. Cada serie de movimientos es re-gistrado y filmado con un sistema de cámaras devideo. Una cámara de video filma horizontalmentelos movimientos de la pata. La segunda cámaracaptura los registros de las señales de los sensoresde deformación y de ultrasonido del monitor delordenador. Ambas señales son grabadas y obser-vadas simultáneamente en un monitor de televisiónque mezcla las dos imágenes en una misma pan-talla. En este monitor se observan los movimientosde la pata. Tres marcadores visuales (bolas de plás-

Cuadro 1. Procedimiento de movimientos de la articulación durante la detección de latensión-deformación de las estructuras ligamentarias.

Movimientos de la articulación durante el experimentoSeries Tipo de movimientos Dinamómetro Movimientos continuos

1 Flexión-extensión Libre 101 Cajón anterior libre 101 Lachman libre 101 Cajón anterior 10 N ≈ 1 kg 101 Lachman 10 N ≈ 1 kg 101 Cajón anterior 25 N ≈ 2.5 kg 101 Lachman 25 N ≈ 2.5 kg 10

Figura 6. Movimiento de flexión–extensión. a) Ligamento colateral medio de la articulación con posición a 0º de flexión. b)Posición a 30º de flexión. c) Posición a 90º de flexión. d) Pata de gato en movimiento de extensión partiendo de la posiciónde 90º.



tico de colores) fijos, que permiten al observadordetectar el desplazamiento de articulación, las se-ñales de tensión-deformación y de los sensores deultrasonido son correlacionadas visualmente conrespecto a la posición de la rodilla. Como se apre-cia en la Figura 7.

Resultados de monitorización de latensión-deformación

El registro de los sensores de deformación en el ex-perimento se hace mediante series de movimien-tos de la articulación (flexión-extensión y combina-dos) que se realizan en forma independiente y enserie de repeticiones continuas o pausadas. Partede los resultados obtenidos del sistema de monitorde tensión-deformación se muestran en la Figura 8.Estos patrones corresponden a una serie de 10

movimientos de Lachman del ligamento colateralmedio de una articulación inestable. Como se apre-cia a lo largo de toda la serie, el patrón de respues-ta del LCM es similar en la mayoría de los patrones.Si extraemos uno de ellos y le observamos conmayor detalle, podemos detectar que al inicio delmovimiento se presenta un incremento de ampli-tud mayor en un tiempo corto, seguido de un des-censo, para posteriormente tener un pico similar enamplitud en sentido opuesto y después un nuevoincremento de la amplitud hasta estabilizarse en elnivel de referencia. En otras palabras, podemosobservar cómo al inicio del movimiento encontra-mos una variación de la tensión importante y des-pués ésta retorna al nivel de tensión aceptable yposteriormente inicia un periodo de recuperaciónque atribuimos al efecto del sensor por la contrac-ción del tejido una vez que cesa la fuerza de ten-sión. Si observamos la Figura 8 el patrón individualse considera como una secuencia de pendientesde polaridades opuestas, en donde el cambio designo nos indica los cambios principales en la ten-sión-deformación del ligamento.

Este análisis nos permite de manera parcial dis-criminar las posibles diferencias que se presentanentre los patrones de la misma serie en los valles ycrestas que lo conforman. Otro dato es el valordel ángulo de la pendiente, que aporta informa-ción sobre la evolución de la tensión crítica sobreel ligamento.

Para ilustrar esto observemos la Figura 9. En éstase muestra el patrón del LCM para un movimientoLachman inestable, al inicio de éste la tensión-de-formación del ligamento es proporcional e inicia conun incremento relativamente rápido, el ángulo dela primera pendiente expresa el crecimiento de latensión-deformación. Esta tensión es importanteporque representa el primer cambio repentino alque se somete el ligamento durante el movimiento

Figura 7. Monitor de televisión, grabador VHS y mezcladorde video. Utilizado durante los experimentos. El monitormuestra la imagen de la articulación junto con las señalesde los sensores de tensión-deformación.

Figura 8. Serie de 10 mo-vimientos Lachman con-tinuos del ligamento co-latera l medio de unaarticulación inestable.



y si la articulación no es compensada por el siste-ma natural de la rodilla, una tensión en exceso pue-de dañar permanentemente a la estructura ligamen-taria; por lo tanto estos cambios iniciales de tensiónson un factor que aporta información del compor-tamiento del ligamento en el sistema.

Algunos resultados de la detección de tensión-deformación en la articulación para movimientosLachman LCM y LR para rodillas estables e inesta-bles obtenidos del sistema SEMT se muestran en laFigura 10.

El análisis de los resultados obtenidos con el sis-tema SEMT se describen con mayor detalle en elartículo22 en el cual abordamos la relación del com-portamiento de los ligamentos con la estabilidadde la rodilla sana y lesionada del ligamento cruza-do anterior.

SISTEMA DE RECONOCIMIENTO DE PATRONES

El desarrollo de la construcción de redes neurona-les en hardware tiene un amplio campo de aplica-ciones, algunas de estas implementaciones en dis-positivos programables se mencionan en algunos

trabajos23-29. Con el objetivo de realizar el procesa-miento de patrones en tiempo real y tratar de in-corporar un sistema de clasificación de patrones seprocedió a la implementación de un arreglo enparalelo con dos redes neuronales de mapas auto-organizativos SOM. El sistema de reconocimiento depatrones que se presenta en este artículo, está im-plementado en una FPGA Virtex II, el entrenamien-to de la red se realizó en un modelo desarrolladoen Matlab y la función de recuperación se imple-mentó en dispositivos reconfigurables. El circuito estádividido en dos módulos principales: a) Módulo conun microprocesador de 8 bits y b) Módulo neuronalSOM con sincronización Self-Timed.

El diagrama general del circuito se muestra en laFigura 11; el microprocesador controla las matricesde pesos de las dos redes neuronales. La capaci-dad de reconocimiento de la red está almacena-da en su matriz de pesos, de esta forma el micro-procesador puede controlar la secuencia dereconocimiento de patrones que se apliquen al sis-tema. Esto permite programar una serie de proce-samientos por medio de instrucciones en ensam-blador del microprocesador.

Figura 9. Patrón característico deun movimiento combinado tipoLachman de una articulación Ines-table (lesionada).



Modelo de la red neuronal

La arquitectura de la red SOM en hardware partedel modelo propuesto por Kohonen30-33 con 6 neu-ronas en la capa de salida y 2 para la capa deentrada como se muestra en la Figura 12. La matrizde pesos «W ij» es de orden 2 x 6. El algoritmo de lared SOM34 se puede describir de la siguiente forma:consideremos un vector de entrada «x» para cadaneurona «i».

x = (x1, x

2, ..... x

n) (2)

Cada neurona de la red está conectada por lospesos sinápticos «wik.»

w = (w1k

, w2k

, .....wik) (3)

Donde «i» es el número total de neuronas de la capade entrada y «k» es el número total de neuronas dela capa de salida. Para encontrar el valor más apro-piado de los pesos con respecto al vector de en-trada «x» se aplica la ecuación de la distancia eucli-diana d(j):

d(j) = ∑i (w

ik – x

i )2 (4)

Se calcula la distancia mínima para todos los vec-tores de entrada y se selecciona el d(j) de menorvalor y se actualizan los pesos de acuerdo a la si-guiente ecuación:

wik (actual)

= wik (anterior)

+ α [xi – w

ik (anterior)

] (5)

Donde «α» es la razón de aprendizaje la cual seactualiza. Posteriormente el valor de «α» decrecelentamente en función del tiempo (ciclos).35,36

wik (t + 1) = .5α(t) (6)

La función de recuperación de la red SOM se reali-za una vez terminado el ciclo de entrenamiento.Con la matriz de pesos obtenida, la red es capazde agrupar a los vectores de entrada mediante elcálculo de la distancia mínima entre el vector deentrada y la matriz de pesos. La neurona con elvalor mínimo se activa y se considera como la neu-rona ganadora. Los vectores de la entrada máspróximos entre sí, se agrupan y activan a la mismaneurona de acuerdo a los patrones entrenados porla red. La frecuencia de neuronas ganadoras secontabiliza con la siguiente ecuación:

(7)

Donde «Ntk» es el total de las veces que ganó laneurona «k», y «Neuk» es la neurona «k» de lacapa de salida, que gana en cada cálculo34. Laarquitectura de la red SOM se muestra en la Fi-gura 12. Los vectores de entrada x (1,n) y x (2,n)así como cada peso «wik» tienen una longitudde palabra de 15 bits. El circuito general tieneuna entrada de petición «req» y una salida dereconocimiento «ack», una línea común de re-

Figura 10. Señal de tensión-deformación de los ligamentoscolateral medio y rotuliano correspondientes a un movimien-to Lachman de la articulación. a) Ligamento LR estable b)Ligamento LCM estable, c) Ligamento LR inestable, d) Liga-mento LCM inestable.


www.medigraphic.org.mxset, que inicializa el cálculo de la red para cadadato de entrada.

Proceso de aprendizaje de la red neuronal SOM

El procedimiento de entrenamiento de la red neu-ronal SOM se realizó en tres etapas básicas: a) Se-lección de patrones más representativos del movi-miento, b) Inicializar la matriz de pesos y la razónde aprendizaje, c) El cálculo de la nueva matriz de

peso. (Proceso iterativo hasta que ésta sea orto-gonal).

Los ciclos de entrenamiento pueden ser variadospara cada patrón, esto dependerá de los valoresiniciales de la matriz de pesos, razón de aprendiza-je, vecindad y las características de los vectores deentrada. Para encontrar la matriz de pesos másadecuada, los valores de inicialización pueden serpropuestos basándose en ejemplos anteriores oaproximaciones. En el caso en el que la matriz de

Figura 11. Arquitecturageneral del circuito de re-conocimiento de patro-nes de tensión-deforma-ción, constituido de launidad de control asíncro-no Self-Timed, arreglo dualde redes neuronales SOMy microprocesador. Todoel circuito está embebidoen una FPGA.



Figura 12. Arquitectura de la red neuronal SOM, con dosneuronas de entrada y 6 neuronas en la capa de salida,utilizada para la clasificación de los patrones de tensión-deformación.

pesos no llega a ser ortogonal o de una geometríauniforme, es necesario modificar la estructura de lared, de tal forma que la nueva arquitectura cam-bie, incrementando o reduciendo las neuronas delas capas, con el objetivo de permitir ampliar la ma-triz de pesos y las unidades de salida, que facilitenel agrupamiento de los datos de entrada.

El procedimiento de entrenamiento de la red SOMde 2 x 6 neuronas es el siguiente: se seleccionó unaserie de 10 patrones del LCM de movimientos deCajón de una articulación inestable. El diagramade flujo del programa se observa en la Figura 13. Elentrenamiento de la red se realizó en el ambienteMatLab. El proceso consta de la lectura y la prepa-ración de los datos de entrada. Los patrones a serentrenados son presentados a la red en archivosde extensión (.dat). En la etapa de inicialización dela red se define la arquitectura, indicando el núme-ro de neuronas por capa, la definición de los pará-metros, como la vecindad, los ciclos de entrena-miento y la matriz de pesos, son asignados de forma

Figura 13. Diagrama de flujo delprograma de entrenamiento de lared neuronal SOM de 6 neuronasdesarrollado en Matlab.



aleatoria. Una vez finalizado este proceso, la matrizde pesos obtenida es guardada en un archivo, és-tos son organizados y seleccionados de acuerdo altipo de patrón que se desea clasificar por la reddurante el procesamiento de señales.

En la Figura 14 se muestra la serie de patronesde Cajón inestable del LCM, archivo con el cual seentrenó a la red SOM de 2 x 6 neuronas. Los pará-metros de inicialización son: Vecindad df = 1, Nú-mero de ciclos me = 275, razón de aprendizajeinicial α = 1.92 y la matriz de pesos inicial se generóde forma aleatoria. Los resultados del entrenamien-to se observan en la Figura 15. En ésta se muestrael proceso de entrenamiento a través del arreglode la matriz de pesos en diferentes ciclos, grafica-da en dos los ejes. El eje de las ordenadas repre-senta a W(i,1) y el eje de las abscisas W(i,2). Cuan-do la gráfica de la matriz de pesos tiene una formaortogonal podemos considerar que la red tiene ungrupo de pesos listos para realizar un agrupamientoadecuado de los vectores de entrada y por lo tan-to, se considera que la red está entrenada37. Lamatriz de pesos de la red se muestra durante losciclos: 5, 49,100, 172,215 y la última matriz a los275. El resultado final de la matriz de pesos es al-macenada en un archivo matrizp.dat. Estos valo-res contienen el conocimiento adquirido durante elentrenamiento. El ajuste o cambio de éstos afec-tará de manera directa el comportamiento de lared durante el procesamiento de los datos.

ARREGLO COMPLEMENTARIO DE REDES SOMS

Durante el procesamiento de patrones con la redSOM se encontró que la capacidad de clasifica-ción de patrones de comportamiento de la articu-lación de una misma clase (lesionada o sana) pre-senta limitaciones a las variaciones mayores del 30%de la señal original. Esto significa que si el patrón de

Figura 14. Serie de patronesdel ligamento LCM de unmovimiento de cajón deuna articulación inestableutilizada para entrenamien-to de la red SOM.

entrada es aproximadamente un 30% diferente alseleccionado para el entrenamiento, la red presentauna variación en la distribución de neuronas gana-doras en la capa de salida, causando que el pa-trón no sea reconocido. Teniendo en cuenta quelos movimientos de la articulación son complejos yque en la mayoría de los casos están acompaña-dos de componentes ajenos como el ruido. Se pro-puso una estructura alternativa con el objetivo demejorar la capacidad de clasificación del sistema.Por lo cual se implementó un arreglo de 2 redesneuronales SOM que procesan el mismo patrón deentrada de forma simultánea.

El arreglo doble está constituido por dos redesde 2 x 6, conectadas como se muestra en la Figu-ra 16. Ambas tienen una arquitectura similar, perola matriz de pesos Wij de la Red1 fue entrenadacon una clase estable y la matriz de pesos Wij dela Red2 se hizo con una inestable. De tal formaque el procesamiento de la entrada se realiza si-multáneamente por las dos estructuras. Este arre-glo incrementa la capacidad de análisis, debidoa que mientras la primera agrupa a los compo-nentes del vector de entrada en los subgrupos desalida representadas por las Ncs de una clase, lared complementaria realiza el agrupamiento parala opuesta. Este arreglo complementario permitela comprobación en ambos contextos del vectorde entrada, facilitando su clasificación. En la Figu-ra 16 se muestra el arreglo complementario deredes SOMs, en donde el patrón de entrada estáconstituido por la señal de tensión-deformaciónobtenida del ligamento colateral medio (LCM) y laseñal correspondiente al ligamento rotuliano (LR)ambas señales forman el vector de entrada quees el par ordenado (Señal LCM, Señal LR), de talforma que el vector de entrada contiene informa-ción de ambos ligamentos. Esta combinación pro-vee el doble de información del estado de la arti-



culación, debido a que cada movimiento es ana-lizado desde dos ligamentos, que interactúan du-rante el movimiento de forma activa. Además, estaconfiguración se procesa en forma complemen-taria por el arreglo neuronal entrenado para reco-nocer patrones de la articulación, aumentando lacapacidad de cálculo de la entrada.

Resultados del arreglo complementario SOMpara Lachman

Los resultados del procesamiento de la red com-plementaria SOM se observan en la Figura 16. Este

Figura 15. Resultados del entre-namiento de la red SOM parael patrón de tensión-deforma-ción del ligamento LCM movi-miento Cajón de clase Inesta-ble. La matriz de pesos de lared se grafica durante los ci-clos: 5, 49 100, 172, 215 y laúltima matriz a los 275.

arreglo está implementado para determinar la cla-sificación de patrones de movimientos tipo Lach-man estables e inestables, en donde la Red1 tie-ne una matriz de pesos entrenada con la serie depatrones de movimientos Lachman de una rodillaestable (sana), y la Red2 con la matriz de pesosde movimientos de Lachman inestables (lesiona-da del LCA).

La entrada es común para ambas redes, lo quesignifica que el mismo patrón será procesado porlas dos. La agrupación de cada red se ejecuta so-bre la entrada y se obtienen dos vectores de salidade las neuronas de la capa de salida (Ncs). El pro-



Figura 16. Arreglo complementario de redes SOM para clasificar patrones estables e inestables de movimientos Lachman enuna articulación.

cedimiento utilizado para aplicar los patrones deentrada a la red se ejecuta de la siguiente forma:

1. Primero se aplicó a la entrada de la red comple-mentaria una serie de patrones Lachman inesta-ble.

2. Se verifica la respuesta de la red Red2 entrena-da con Lachman inestable. Por ser coincidentesen la clase, tanto la entrada como la matriz depesos, la respuesta corresponde al vector carac-terístico del patrón de Lachman inestable (pa-trón reconocido).

3. Se verifica la salida de la red Red1 entrenadacon Lachman estable. En este caso, las clasesdel patrón de entrada y la matriz de pesos de lared no coinciden y se puede apreciar que la sa-lida presenta una distribución del índice de acti-vación de Ncs, tanto para la salida de neuronas

ganadoras como vecinas, localizada en sólo unay dos neuronas respectivamente. Característicaque indica que el patrón aplicado a la red nocorresponde con el de ésta.

4. El arreglo complementario permite observar si-multáneamente las dos salidas de ambas redesy proporciona doble verificación, tanto a nivel dela red correspondiente con la clase como con laopuesta.

La respuesta del arreglo de redes complemen-tarias SOMs tiene un comportamiento similar cuan-do aplicamos a la entrada una serie de patronesLachman estables. En la Figura 17 se muestran losresultados de las dos redes Red1 y Red2. En las grá-ficas (a) y (b) se observan los resultados de la clasi-ficación del patrón Lachman estable procesado porla red entrenada con la misma clase de patrón. En



este caso el resultado es el vector característicocorrespondiente a esta clase. En las gráficas (c) y(d) se aprecia la respuesta de activación de la redentrenada con Lachman inestable, que tiene uníndice alto de activación, localizado en una neuro-na para las Ncs ganadoras (patrón no clasificado).

Otro aspecto que se observó durante el proce-samiento de patrones en la red complementariaSOM fue el efecto que causa el desplazamientode los patrones de entrada con respecto a los pa-trones de referencia y se encontró que el efectoen el porcentaje de diferencia de las Ncs es míni-mo. Cabe mencionar que la red SOM funciona ob-teniendo la distancia euclidiana punto a punto delvector de entrada contra la matriz de pesos, éstase obtuvo del entrenamiento de un patrón objeti-vo, por lo tanto si el conjunto de datos está desfa-sado del patrón de entrada con respecto a la ma-triz de pesos se observó de qué manera modificabala activación de las neuronas ganadoras de la capade salida.

En la Figura 18 se presenta el comportamien-to del porcentaje de diferencia de las Ncs ob-tenidas con un patrón en fase con la matriz depesos (patrón entrenado) contra el obtenidocon un patrón desfasado. Como se observa,ésta se presenta con un porcentaje de dife-rencia constante y el deslizamiento del patrónno influye en la respuesta de la red de manerasignificativa.

IMPLEMENTACIÓN DE LA RED NEURONAL ARTIFICIALSELF-TIMED

El circuito de la red SOM está desarrollado con unprotocolo de comunicación Self- Timed (ST)38, quecontrola el flujo general de los datos a la entrada ya través de toda la red, permitiendo el procesa-miento de señal de acuerdo a la velocidad de ali-mentación de éstos.

El módulo neuronal SOM ST realiza el procesa-miento de los datos mediante una sincronización

Figura 17. Vectores carac-terísticos de salida de lared complementaria SOMpara Lachman estable (a)y (b), para Lachman ines-table (c) y (d).



Figura 18. Efecto que causa en la diferencia la activaciónde las neuronas de la capa de salida Ncs, cuando el patrónde entrada está desfasado con respecto al patrón de refe-rencia (entrenado).

Self-Timed39, cada red está compuesta de 3 blo-ques principales:

• Módulo Somdist, que contiene las operacionesaritméticas de la distancia euclidiana y la sec-ción de multiplicadores y sumadores de las ma-trices de pesos y datos de entrada.

• Módulo Compet1, está compuesto por unidadesde comparación de los resultados parciales decada salida de las Ncs activas.

• Módulo Compet2, el cual contiene un segundobloque de unidades de comparación que esta-

blece la Ncs ganadoras en cada ciclo de pro-cesamiento y el bloque de contadores de la in-cidencia de Ncs ganadoras.

El diagrama de bloques de la red se muestra enla Figura 19, en donde x1 y x2 son los vectores deentrada y las salidas son g1 a g6. El circuito estásegmentado por latches que son controlados porlas señales «sí», que provienen del bloque de con-trol de sincronización ST.

Cuando el flujo de datos de la entrada está pre-sente, envía una señal de petición de proceso yactiva al control ST, el cual transmite el dato al pri-mer módulo. Al terminar de procesar, envía una señalde petición al bloque siguiente para transmitir eldato. Simultáneamente, el primer módulo envía unaseñal de reconocimiento al bloque anterior (entra-da) para indicar que está listo para procesar un nuevodato y así sucesivamente el protocolo ST controlael procesamiento de la red neuronal SOM.

Los módulos principales del circuito de la red semuestran en la Figura 19. El módulo (B) contiene elalgoritmo de cálculo de la distancia mínima eucli-diana. El módulo (C) evalúa la salida de red y apli-ca la función de competición, la cual define a laneurona ganadora. El índice de frecuencia de neu-ronas ganadoras es registrado por contadores indi-viduales de 11 bits que contabilizan la incidenciade las neuronas de la capa de salida. El módulo (A)está constituido por el control ST de la red SOM. Elmódulo (D) está compuesto por un arreglo de me-morias que almacena a las matrices de pesos delos diferentes patrones de la red. El circuito generalestá segmentado por latches de 15 y 30 bits paracada neurona de la capa de entrada y salida, que

Figura 19. Diagrama a blo-ques de la red neuronalSOM Self-Timed.



son activados paso a paso por las señales «sí» delcontrol ST que regula la transferencia de datos.

Módulos de memoria de la red

La capacidad de procesamiento de cada red SOMes adquirida durante la fase de entrenamiento y eneste periodo se generan las matrices de pesos quecontienen los valores requeridos para agrupar losdistintos datos de los vectores de entrada. En la redSOM ST, el bloque de memoria está constituido paraalmacenar los pesos de las matrices obtenidas du-rante el entrenamiento de la red con los diferentespatrones de movimientos. El bloque está compuestode 12 memorias RAMB16s18 de 16 x 1,024, con 16bits de longitud de palabra y un bus de direccionesde 10 líneas.

Módulos compet 1 y 2 de la red SOM ST

Los módulos compet 1 y compet 2 comparan elresultado de las 6 neuronas de la capa de salida.Éstos están implementados con comparadores delongitud de palabra de 30 bits cada uno de ellos.Su función principal consiste en determinar qué sa-lida de las neuronas Ncs tiene el valor mínimo deactivación (distancia mínima euclidiana). A la neu-rona que obtiene el valor mínimo se le considera laneurona ganadora y se incrementa el contador deíndice de frecuencia correspondiente a esa Ncs.

Para controlar el flujo de los datos a través delcircuito, tanto las entradas como las salidas de cadasubcircuito se segmentaron con registros que per-mitan el paso de los datos en sincronía con las se-ñales «sí» del control ST.

ARQUITECTURA DEL MICROPROCESADOR EMBEBIDOCON EL SISTEMA NEURONAL

El sistema de análisis de patrones tiene un micro-procesador de 8 bits, que está embebido con lared neuronal en un dispositivo reconfigurable FPGAVirtex II. El circuito está dividido en dos módulos prin-cipales:

• Módulo neuronal SOM con sincronización Self-Ti-med.

• Módulo de control de ejecución de operacio-nes.

La ejecución de las instrucciones del micropro-cesador es realizada mediante un ciclo de búsque-da que establece la secuencia de operaciones

generales del procesador de acuerdo a un progra-ma principal guardado en una memoria ROM.

La finalidad del microprocesador es realizar elprocesamiento de patrones con una estructura neu-ronal, que sea programable para efectuar diferen-tes combinaciones de movimientos en secuenciascontinuas y mantener la clasificación de los patro-nes en sincronía con los cambios requeridos. El mi-croprocesador incorpora a la estructura neuronal uncontrol secuencial de instrucciones, que permiteprogramar rutinas de procesamiento de patrones,en función a un programa principal. También inclu-ye un puerto de salida que realimenta a circuitosexternos, el cual puede ser un estimulador eléctricoque realice la compensación muscular en algúnmovimiento que sea detectado como inestable obien controlar una rutina de impulsos temporales enciertos puntos requeridos.

En la Figura 20 se muestra el diagrama generaldel sistema de análisis de patrones. Cada módulodel microprocesador puede estar funcionando enforma independiente e interactuar con el arreglode redes neuronales. El módulo de control secuen-cial está constituido de 3 bloques principales:

• Unidad de memoria y registros,• Unidad de microinstrucciones,• Unidad aritmética y entrada-salida.

La unidad de microinstrucciones ejecuta el progra-ma de instrucciones y coordina el procesamientodel módulo neuronal. La unidad de memoria y re-gistros almacena el programa monitor de ejecucióny los datos temporales que se generan durante los

Figura 20. Diagrama general del sistema de análisis de pa-trones, compuesto de los bloques del microprocesador de8 bits y la red neuronal SOM con sincronización Self-Timed.



cálculos. La unidad aritmética y de entrada-salidaejecutan las operaciones de suma, lectura y escri-tura de los puertos.

El módulo de control secuencial ejecuta de for-ma cíclica las instrucciones que operan en funcióna la velocidad de una línea de reloj común del sis-tema, haciendo un ciclo de búsqueda antes derealizar cada instrucción. Por consecuencia, estogenera la existencia de dos módulos con diferen-tes sistemas de sincronización, que conviven en uncircuito general híbrido Self-Timed y síncrono, imple-mentado en un dispositivo reconfigurables FPGA.

Set de instrucciones del microprocesador

El grupo de instrucciones del microprocesador semuestra en el Cuadro 2. Las instrucciones de codi-ficación directa están compuestas de un grupode 13 instrucciones divididas en: 2 de entrada-sali-da, 1 aritmética, 1 lógica, 2 de salto, 2 de transfe-rencia de registro, 3 de referencia a la red neuro-nal y 2 de control. En el Cuadro 2 se muestra ellistado completo de las instrucciones de códigodirecto, las instrucciones de clasificación neuronalestán constituidas hasta por 1,024 clases distintasde procesamiento de patrones. Éstas corresponden

con cada matriz de pesos almacenada en el blo-que de memoria del módulo neuronal SOM ST.

Ejemplos de programación del microprocesador

En el Cuadro 3 se muestra un ejemplo de progra-mación del microprocesador. Esta aplicación tienecomo finalidad programar a la red neuronal SOMpara la clasificación de un patrón específico. Laprimera columna indica el número de línea del pro-grama, la segunda la instrucción, seguido del Mne-mónico y la descripción. La última columna es elcódigo interno del bloque de microinstrucción.

En la Figura 21 se muestra el resultado del pro-grama 1. El punto (A) es el bus de salida del acu-mulador, que corresponde a la carga del dato 7, yla dirección de la memoria de pesos que activa ala red con la matriz para la clasificación de patro-nes. El punto (B) muestra el resultado de la instruc-ción incrementa. El punto (C) señala el desarrollode la carga del registro X y la comparación contrael contador «cuenta» que indica el número de ci-clos que ha procesado la red, en este caso X = 2.Por lo tanto, se cumple la condición Acc ≥ X y serealiza un salto, como se muestra en la letra (D).Después se detiene el programa. La letra (E) identi-

Cuadro 2. Listado de las instrucciones de codificación directa del microprocesador de 8 bits embebidoen la FPGA.

PalabraCódigo Mnemónico codificada Descripción Tipo

0000 ALTO 00000000 Alto total Control0002 INC, AC 00020000 Incrementa el acumulador Aritmética0003 LDA, n 00030000 Carga el acumulador con dato Registro0004 LDX, AC 00040000 Carga el Registro X con el acumulador Registro0008 CLR, AC 00080000 Limpia el acumulador Control000E PTO IN 000E0000 Carga el puerto de entrada E/S000F PTO OUT 000F0000 Escribe en el puerto de salida un dato E/S0010 CMP ACC, REGX 00100000 Compara acumulador con Reg X, Lógica

Acc = X salida = 0001Acc > X salida = 0010,Acc < X salida = 0100

0013 SALT ## 00130000 Salta a la dirección ## Salto0014 PRG_SOM A 00140000 Programa la RED con la Wij direccionado RNA

por Acc0015 CLR CUENTA 00150000 Limpia el contador ciclos de procesamiento RNA

de la RNA SOM0017 LEA, CUENTA 00170000 Lee los datos procesados por la red SOM RNA0018 SALT AC, ## 00180000 Salta sólo si el comparador es (Acc ≥ X) Salto

a la dirección ##



Figura 21. Resultados de programa 1 del microprocesador con el sistema neuronal embebido.

Cuadro 3. Programa 1, implementado con instrucciones para la clasificación de un patrón.

Línea Instrucción Mnemónico Descripción de la instrucción Código interno

0 LDA, 7 00030007 Carga el acumulador con 7 000111 RED_SOM A 00140000 Programa la RED con Wij direccionado 10100

por Acc2 CLR, AC 00080000 Limpia el acumulador 010003 INC, AC 00020000 Incrementa el acumulador 000104 INC, AC 00020000 Incrementa el acumulador 000105 LDA, 2 00030002 Carga el acumulador con 2 000116 LDX, AC 00040000 Carga el Registro X con el acumulador, 00100

x = 27 LEA, CUENTA 00170000 Lee los datos procesados por la Red SOM 101118 CMP ACC, REGX 00100000 Compara acumulador con Reg X, 10000

(Acc = cuenta, x = 2)9 SALT AC 0E. 0018000E Salta sólo si el comparador es (Acc ≥ X) 11000

a la dirección EA LDA, A 0003000A Carga el acumulador con A 00011B INC, ACC 00020000 Incrementa el acumulador 00010C INC, ACC 00020000 Incrementa el acumulador 00010D SALT 01. 00130001 Salta a la dirección 01 10011E LDA, 2 00030002 Carga el acumulador con 2 00011F ALTO 00000000 Alto total 00000



ESTE DOCUMENTO ES ELABORADO POR MEDI-ESTE DOCUMENTO ES ELABORADO POR MEDI-ESTE DOCUMENTO ES ELABORADO POR MEDI-ESTE DOCUMENTO ES ELABORADO POR MEDI-ESTE DOCUMENTO ES ELABORADO POR MEDI-GRAPHICGRAPHICGRAPHICGRAPHICGRAPHIC

fica las «sí» de activación de los registros del blo-que Self-Timed. Los vectores de entrada con la le-tra (F) y las salidas del acumulador y el registro dedirección se identifican con (I). La letra (G) repre-senta a las señales de control del microprocesadory las salidas de la red SOM con la letra (H). El punto(M) muestra el inicio de la señal de petición que setransfiere a través de los bloques de control asín-cronos, que da inicio al flujo de entrada de datos ala red.

RESULTADOS DE OCUPACIÓN DE LA RED SOMEN EL FPGA

En el Cuadro 4 se resume la ocupación de una redneuronal implementada en la FPGA Xc2v1500-4ff896

(red1_som) y los bloques que la componen (pesos-som y estados1). Se observa una ocupación del 9%en slices, 9% en LUTs, 1% en flip-flops y el 54% enmultiplicadores. Un 98% de las 2,887 redes que com-ponen al circuito presentan un fan out menor que8, siendo el máximo de 60, el cual pertenece a lared de reset. En cuanto a los retardos, el 95% delas redes presentan menos de 4 ns y el 5% tiene unretardo de entre 5 y 9 ns.

En la Figura 22 se presenta un resumen de losretardos de las 18,900 rutas implementadas en lared neuronal, se observa que el 67% de las rutaspresentan un retardo entre 31 y 46 ns.

Los resultados de la ocupación del microproce-sador y sistema neuronal se resumen en el Cuadro5 correspondientes a la FPGA VirtexII xc2v1500-ff896,

Cuadro 4. Ocupaciones RNA síncrona. En la FPGA Virtex Xc2v1500-4ff896.

Fan Out Retardo (ns) No.Componente Slices LUTs Flip Flops Mult. Máx Mín Máx Mín Redes

pesos-som 477 6% 936 6% 0 0 26 54% 12 1 5 0 2,378estados1 282 3% 528 3% 66 1% 0 0 60 1 6 0 690red1_som 760 9% 1,467 9% 66 1% 26 54% 60 1 9 0 2,887

Figura 22. Gráfica de rutascontra retardo de las líneasimplementadas del circui-to de la red neuronal en laVirtex II 1500.



como podemos observar, ocupa un 17% del totalde los slices, el 12% de LUTs y el 3% de los registros.Con lo que podemos concluir que este dispositivonos da la capacidad para, incluso, incrementar elgrupo de instrucciones.

CONCLUSIONES

Con la integración del sistema de arquitectura neu-ronal SOM se propuso resolver la clasificación depatrones de tensión-deformación. De los resultadosexperimentales se puede concluir que este sistemapuede ser capaz de reconocer patrones de movi-mientos bien definidos en dos clases: Estable (rodi-lla sana) e inestable (rodilla lesionada). Sin embar-go, la metodología establecida permite laclasificación de cualquier patrón, con el cual seentrena la red neuronal.

Los resultados obtenidos de la experimentaciónmuestran que el sistema electrónico de monitoriza-ción detecta el comportamiento de la dinámicade los ligamentos de la articulación basada en latensión-deformación superficial. Particularmente hasido observado el Colateral Medio LCM y RotulianoLR, el cual permite conocer la estabilidad o inesta-bilidad causada por la lesión del LCA.

La implementación del sistema de análisis depatrones, constituyó un circuito híbrido de dos mó-dulos con sincronización diferente (Self-Timed y sín-crono), dio como resultado la combinación de uncircuito secuencial de programación que controlaa un circuito asíncrono ST de procesamiento para-lelo de arquitectura neuronal. El microprocesadorconsta de 13 instrucciones de codificación direc-ta y hasta 1,024 clases distintas de procesamien-tos de patrones. De la programación realizada seconcluye que con este sistema es posible realizarexperimentos que involucren varias secuencias de

procesamientos de patrones y obtener lazos decontrol cerrado por medio de sus puertos de en-trada-salida, incrementando la capacidad de pro-cesamiento.

Consideramos que una vez completado el mo-delo dinámico del comportamiento de los ligamen-tos de la articulación en gatos, una segunda etapaserá desarrollar los experimentos en rodillas huma-nas, las cuales nos aporten un modelo real quepueda ser aplicado en la reducción de tiempos derehabilitación de rodillas con lesión del ligamentocruzado anterior.

BIBLIOGRAFÍA

1. Herzog W, Hastler EM, Leonard TR. In situ calibration of theimplantable force transducer. Journal Biomechanic 1996;29(12): 1649-1652.

2. Gómez B, Núñez A, Ballesteros R, Martínez-Moreno E, VallsJ, Munuera L. Neural and muscular electric activity in thecat´s knee. Acta Orthop Scand 1997; 68(2): 149-155.

3. Hinterwimmer S, Plitz W. Strain Measurement at the KneeLigament Insertion Sites. Biomechanic tech (best) 2003;48(1-2): 11-16.

4. Gardiner JC, Weiss JA. Subject-speciûc ûnite elementanalysis of the human medial collateral ligament duringvalgus knee loading. Journal of Orthopaedic Research2003; 21: 1098–1106.

5. Flemming BC, Beynnon BD, Nichols CE, Renstrom PA. Anin vivo comparation between intraoperative isometricmeasurement and local elogation of the graft afters re-construction of the anterior cruciate ligament. The Jour-nal of bone and Joint Surgery Incorporated, 1994; 76-A:511-519.

6. Flemming BC, Beynnon BD, Nichols CE, Johnson RJ, PopeMH. An in vivo comparation of anterior tibial translationand strain in the anteromedial band of the anterior crici-ate ligament. Journal Biomechanics 1993; 26(1): 51-58.

7. Beynnon BD, Pope MH, Wertheimer CM, Johson RJ, Flem-ming BC, Nichols CE, Howe JG. The effect of funtionalknee-braces on strain on the anterior cruciate ligamentin vivo. The Journal of bone and Joint Surgery Incorporat-ed 1992; 74-A(9): 1298-1312.

Cuadro 5. Resumen de ocupación de los componentes del microprocesador.

OcupaciónBloque Slices LUTs Registros Puertas

PC 3 5 5 73Reg. codifica 3 5 5 73

Memoria 21 41 0 65,788Reg. Direc. Mem. 9 18 7 239

Reg. Neuro 33 60 21 531Control 96 76 116 1,395

Decodificador 31 31 0 279Microprocesador 1,368 1,928 551 978,853



8. Shiro Takai, Savio L-Y, Wood, Glen AL, Douglas JA, Fred-die HF. Determination of the in situ loads on the humananterior cruciate ligament. Journal of Orthopaedic Re-search, The Journal of Bone and Joint Surgery, 1993; 11:686-695.

9. Beeynnon BD, Johson RJ, Flemming BC, Renstrom PA,Nichols CE. The measurement of elogation of anteri-or cruciate l igament grafs in vivo. The Journal of boneand Joint Surger y, Incorporated, 1994; 76-A: 520-531.

10. Flemming BC, Beynnon BD, Tohyama H, Johson RJ,Nichols CE, Renström P, Pope MH. Determination of azero strain reference for the anteromedial band of theanterior cruciate ligament. Journal of Orthopaedic Re-search, The Journal of Bone and Joint Surgery, 1994;12: 789-795.

11. Murray EM, Tim Leonard, Cyril BF, Nigel GS, Walter H. Lon-gitudinal measurement of tibial motion relative to thefemur during passive displacements in the cat beforeand anterior cruciate ligament transection. Journal ofOrthopaedic Research, The Journal of Bone and JointSurgery, 1998; 16: 448-454.

12. Bruce D, Beynnon BD, Braden CF. Anterior cruciate liga-ment strain in vivo. Journal Biomechanics 1998; 31(6):519-525.

13. John AS, John MC, Joseph LG. A geometr y theory ofthe equil ibrium mechanics of f ibers in the l igamentand tedons. Journal Biomechanics 1991; 24(19): 943-949.

14. Yangming Xu, Hollerbach JM. A robust ensemble datamethod for indentification of human joint mechanicalproperties during movement. IEEE Transactions on Bio-medical Engineering 1999; 46(4): 409-419.

15. Provenzano PP, Heisey D, Hayashi K, Lakes R, VanDerbyJRR. Subfailure damage in ligament: a structural andcellular evaluation. Journal Appl Physiol 2002; 92: 362–371.

16. Weis J, Dale AS, Gardiner JC. Modeling contact in bio-logical joints using penalty and augmented lagrangianmethods. Proceedings ASME Advances in Bioengineer-ing BED, 1996; 33: 337-348.

17. Bonsfi l ls N, Raygoza JJ, Boemo E, Garrido J, Núñez A,Gómez-Bar rena E. Propr iocept ion in the ACL- rup-tured Knee: The contribution of the medial collater-al l igament and patellar l igament. An in vivo exper-imental study in the cat. Elsevier Journal The Knee,online www.sciencedirect.com, January 2007; 14(1):39-45.

18. Beynnon BD, Johson RJ, Flemming BC. The science ofanterior cruciate l igament rehabil itation. Clin Ortho-paedic 2002; 402: 9-20.

19. Williamson MR, Dial KP, Biewener AA. Pectoralis muscleperformance during ascending and slow level flight inmallards (Anas platyrhynchos). Journal Exp Biol 2001; 204:495-507.

20. Andrew AB, William R. Corning. Dynamics of Mallard (AnasPlatyrhynchos) Gastrocnemius Function during Swimmingversus Terrestrial Locomotion. The Journal of Experimen-tal Biology 2001; 204: 1745-1756.

21. TML Strain Gauges. Tokyo Sokki Kenkyujo Co. Ltd. Com-pañía especial i s ta en sensores: URL: ht tp: / /www.tokyosokki.co.jp/e/index.htm, 2004.

22. Bonsfills N, Gómez-Barrena E, Raygoza JJ, Núñez A. Lossof neuromuscular control related to motion in the acutelyACL-injured Knee: an experimental study. Eur Journal ApplyPhysiol, Springer Verlag, 2008; DOI: 10.1007/s0042-0080729-3.

23. Abramson D, Smith K, Logothetis P, Duke D. FPGA basedimplementation of a Hopfield Neural Network for SolvingConstraint Satisfaction Problems. Proceedings of the IEEE,1998: 688-693.

24. Hopfield JJ. Artificial neural networks. IEEE Circuits andDevices Magazine 1998: 3-10.

25. Ricky HT, Tam PKS, Cheung PWM. Hardware implementa-tion of neural network based path planning algorithm byusing the VHDL. Proceedings of the Institute of Electricaland Electronics Engineers. 1999: 310–314.

26. Suzuki D, Hammami O. SOM on Multi-FPGA ISA Board-Hardware Aspects. Proceedings of the Institute of Elec-trical and Electronics Engineers 1999: 1401–1405.

27. Chen YJ, Plessis WP. Neural network implementation onFPGA. IEEE Africon 2002: 1-9.

28. Anguita D, Boni A, Ridella S. A digital architecture forsupport vector machines: Theory, algoritm, and FPGAImplementation. IEEE Transations on Neural Networks,2003; 14(5): 1-10.

29. Morteza SZ, Masoud S. Rectilinear floorplanning of FPGAsusing khonen map. IEEE Proceedings, 2003: 1-10.

30. Kohonen T. Self-organizing map. Proceedings of the In-stitute of Electrical and Electronics Engineers, 1990; (78):1464-1480.

31. Ritter H, Martinez T, Schulten K. Neural computation andself-organizing maps. Addison Wesley Published Com-pany, 1992: 1-6.

32. Kohonen T. Generalizations of the self-organizing map.Proceedings of International Joint Conference on Neu-ral Networks, 1993: 1-10.

33. Kohonen T. New Development and Applications of self-organizing maps. Proceedings of the Institute of Electri-cal and Electronics Engineers 1996: 164–171.

34. Raygoza-Panduro JJ, Ortega-Cisneros S, Boemo E,Gómez-Barrena E, Núñez A. FPGAs implementation ofdigital electronic circuit to pattern classification of kneeinstability. XVII National Conference and III InternationalConference on Informatics and Computing ISBN 970-36-0155-3, 2004; 1: 1-6.

35. The MathWorks. Neural network toolbox 4. User ’s GuideThe MathWorks, Inc. MatLab, www.mathworks.com, 2000.

36. Demuth H, Beale M. Neural network toolbox for use withMatLab, User ’s Guide, Version 4, 2004.

37. Kohonen T. Generalizations of the self-organizing map.Proceedings of International Joint Conference on Neu-ral Networks, 1993: 1-10.

38. Sutherland IE. Micropipelines, Communications of theACM. 1989; 32(6): 720-738.

39. Boemo E, Ortega-Cisneros S. Sincronización Self-Timed:Protocolo de 2 fases. Proc. JCRA Universidad Autónomade Madrid, Septiembre 2003; (1): 503-516.

Raygoza PJJ y cols. · por un circuito electrónico compuesto de un microprocesador con un arreglo...

Documents

Transcript of Raygoza PJJ y cols. · por un circuito electrónico compuesto de un microprocesador con un arreglo...