ADQUISICIÓN DE SEÑALES EMG DE MIEMBRO
SUPERIOR EN HUMANOS Y SU
CARACTERIZACIÓN A TRAVÉS DEL PRIMER Y
SEGUNDO MOMENTOS DE PROBABILIDAD
ACQUISITION OF UPPER LIMB EMG SIGNALS IN HUMANS
AND THEIR CHARACTERIZATION THROUGH FIRST AND
SECOND PROBABILITY MOMENTS
Jesus Alfredo Muciño Segura
Instituto Politécnico Nacional, México
Pedro Guevara López
Instituto Politécnico Nacional, México
Gustavo Delgado Reyes
Universidad Veracruzana , México
Leobardo Hernández González
Instituto Politécnico Nacional, México
Jorge Salvador Valdez Martínez
Universidad Tecnológica Emiliano Zapata, México
pág. 5363
DOI: https://doi.org/10.37811/cl_rcm.v8i3.11744
Adquisición de Señales EMG de Miembro Superior en Humanos y su
Caracterización a través del Primer y Segundo Momentos de Probabilidad
Jesus Alfredo Muciño Segura1
jmucinos1400@alumno.ipn.mx
https://orcid.org/0009-0002-5465-4459
Instituto Politécnico Nacional – ESIME
Culhuacán, México
Pedro Guevara López
pguevara@ipn.mx
https://orcid.org/0000-0001-5373-1403
Instituto Politécnico Nacional – ESIME
Culhuacán, México
Gustavo Delgado Reyes
gusdelgado@uv.mx
https://orcid.org/0000-0003-4743-4757
Universidad Veracruzana
México
Leobardo Hernández González
lhernandezg@ipn.mx
https://orcid.org/0000-0002-4555-8695
Instituto Politécnico Nacional - ESIME
Culhuacán, México
Jorge Salvador Valdez Martínez
jorgevaldez@utez.edu.mx
https://orcid.org/0000-0002-0136-9497
Universidad Tecnológica Emiliano Zapata
México
RESUMEN
En este trabajo se presenta una metodología para la adquisición de señales mioeléctricas (EMG) de
miembro superior (brazo derecho) y su caracterización utilizando el primer y segundo momentos de
probabilidad (media aritmética y varianza recursivas), con el objetivo de determinar el tipo de
movimiento o grado de movilidad medidos. Para la adquisición de los datos se utiliza un sensor EMG
con sus electrodos, una tarjeta microcontrolada Arduino, el software Tauno y una computadora con una
distribución de GNU/Linux basada en Ubuntu (Zorin) comunicada por puerto USB. Como caso de
estudio se analizan las señales EMG obtenidas de un paciente masculino joven saludable y sin afecciones
para que las señales sean lo más confiables posibles. Al final de cada experimento se obtiene un archivo
CSV para su análisis fuera de línea con el software Octave para la programación de un script que procese
la información obtenida y su caracterización mediante los dos primeros momentos de probabilidad.
Palabras clave: EMG, caracterización de señales, grado de movilidad, gnu/Linux, momento de
probabilidad
1
Autor principal:
Correspondencia: pguevara@ipn.mx
pág. 5364
Acquisition of Upper Limb EMG Signals in Humans and Their
Characterization through First and Second Probability Moments
ABSTRACT
This paper presents a methodology for the acquisition of myoelectric signals (EMG) of the upper limb
(right arm) and their characterization using the first and second moments of probability (arithmetic mean
and recursive variance), in order to determine the type of movement or degree of mobility measured.
For data acquisition, an EMG sensor with its electrodes, an Arduino microcontroller board, Tauno
software and a computer with a GNU/Linux distribution based on Ubuntu (Zorin) communicated via
USB port are used. As a case study, EMG signals obtained from a healthy young male patient with no
medical conditions are analyzed to make the signals as reliable as possible. At the end of each
experiment, a CSV file is obtained for offline analysis with Octave software for programming a script
to process the information obtained and its characterization by means of the first two moments of
probability.
Keywords: EMG, signal characterization, degree of mobility, GNU/Linux, moment of probability
Artículo recibido 20 mayo 2024
Aceptado para publicación: 22 junio 2024
pág. 5365
INTRODUCCIÓN
En este trabajo se aborda la metodología para la caracterización de señales electromiográficas (EMG)
adquiridas de forma experimental de varios pacientes para su estudio. En este sentido, algunos
antecedentes de la adquisición de señales EMG se presentan en el trabajo desarrollado por Izurieta
Freire, J. G. (2018), en donde se demuestra que estudiando las señales electromiográficas de las
extremidades del cuerpo humano se pueden detectar padecimientos de forma temprana sobre el estado
de los músculos, entre otras alteraciones, obteniendo diagnósticos más precisos (Paredes, C. A. C.,
Pantoja, D. E. L., & Acosta, M. F. J., 2011). Al poder obtener lecturas de las señales EMG se pretende
clasificar los grados de movilidad del cuerpo humano y usar esta información para implementarla en
diversas áreas (Vaca Herrera, E. R., 2017). Con base en lo antes mencionado, en esta investigación se
pretende realizar la clasificación de los grados de movilidad del brazo de un usuario del sistema
propuesto. Para ello, se realiza la adquisición de señales EMG y estas se caracterizan y procesan
mediante un dispositivo digital, para posteriormente utilizar esa misma información en el campo del
desarrollo de prótesis biomecánicas. De acuerdo con trabajos previos de adquisición de señales EMG
(Sánchez, C. A., 2004), se puede adquirir la señal EMG de modo no invasivo para su procesamiento
(Gila, L., Malanda, A., Rodríguez Carreño, I., Rodríguez Falces, J., & Navallas, J., 2009).
Existen trabajos previos los cuales buscan mejorar la calidad de vida del paciente de acuerdo a la
afección que poseen (Gabriel Sanz, S., 2012), ya sea por algún accidente que deteriora el movimiento o
por la pérdida misma de la extremidad (De la Rosa Steinz, R., & Liptak, L., 2002).
Este estudio abarca a personas del sexo masculino y femenino de varias edades, desde los 18 años hasta
los 65 años, sujetos saludables, e incluso, sujetos con golpes y padecimientos degenerativos de las
articulaciones.
De acuerdo con los antecedentes mencionados, uno de los objetivos adicionales de este trabajo es
manejar distintos tipos de señales electromiográficas (EMG), captadas de usuarios en estado saludable
así como con alguna afección, obtenidas experimentalmente para su clasificación mediante los
momentos primero y segundo de probabilidad (Mejía, M. B. T., López, P. G., Baldovinos, D. L. G.,
Rosas, J. L. C., & Ponomaryova, I., 2023). Con este estudio se pretende tener incidencia o aplicación en
áreas tales como diseño de prótesis(Tolosa, L., Torrealba, R. R., & Silva, R., 2008), mecanismos
pág. 5366
auxiliares (Dawson, M. R., Sherstan, C., Carey, J. P., Hebert, J. S., & Pilarski, P. M., 2014) , terapias
físicas (Guerrero, M. N. V., 1990), tratamientos médicos (Alberca, J. M. G., & Prieto, C. G., 1997),
acondicionamiento físico (Córdova Martínez, A., Nuin Amuriza, I., Fernández Lázaro, D., Latasa, I., &
Rodríguez Falces, J., 2017), etc.
METODOLOGÍA
El procedimiento metodológico abarca desde la elección de los pacientes hasta el manejo de los datos.
Dicho procedimiento se explica a continuación, mediante el esquema que se aprecia en la Figura 1. Este
esquema ilustra la secuencia de las etapas y cómo cada una conduce a la siguiente, dependiendo del
progreso del experimento.
Figura 1. Diagrama de la metodología empleada en el proceso de adquisición de señales EMG y su
caracterización
Fuente propia
Tabla 1. Etapas del proceso de adquisición de señales EMG y su caracterización.
Etapa
Actividades realizadas
1
Selección y obtención de datos del paciente
2
Preparación del paciente
3
Preparación del sistema de adquisición de señales mioeléctricas (hardware y software)
4
Adquisición de señales mioeléctricas por grado de libertad
5
Registro, depuración de señales adquiridas y finalización de las mediciones
6
Análisis fuera de línea de la señal registrada, preparación de datos y cálculo del primer y
segundo momento de probabilidad
7
Presentación de resultados
8
Fallo del experimento y finalizado
pág. 5367
A continuación, se realiza una descripción más detallada de cada una de las etapas mencionadas.
1. Selección y obtención de datos del paciente
Se busca una persona con extremidad superior dispuesta a participar en el estudio, que sea mayor de 18
años y pueda entender las instrucciones para realizar el estudio.
2. Preparación del paciente
Antes de empezar el estudio se lleva a cabo una recopilación de datos del paciente como: sexo, edad,
peso, y altura; además de posibles heridas o afecciones musculares. Todo esto con la finalidad de poder
clasificar posteriormente los datos y tener una referencia. Después, se le colocan los electrodos
mioeléctricos para poder hacer las conexiones como se muestra en la Figura 2 para seguir con la prueba.
Figura 2. Diagrama de conexión sensor-músculo-microcontrolador
Fuente propia
3. Preparación del sistema de adquisición de señales mioeléctricas (hardware y software)
Una vez que el paciente está listo, se realizan las conexiones pertinentes entre el sensor, la computadora
y el paciente, como se observa en la Figura 3, para después abrir la terminal de Linux y establecer los
permisos necesarios y tener habilitado el puerto USB. Una vez habilitado el puerto que se va a utilizar,
se abre el software de Arduino IDE con el cual se establece conexión entre el sensor muscular y la
computadora. Véase también en la figura 3, la secuencia en que se va estableciendo la conexión.
También se usa el software de Tauno Serial Plotter para observar la señal graficada al momento y una
vez terminado el ensayo, analizar la señal y guardar los datos.
pág. 5368
Figura 3. Diagrama de conexión
Fuente propia
4. Adquisición de señales mioeléctricas por grado de libertad
Para obtener la señal en cada uno de los grados de movilidad, primero se le explica al paciente cómo se
va a realizar la prueba, la cantidad de veces a repetir y dejar el brazo en estado de reposo para no fatigar
el músculo y generar información irrelevante en el software Tauno. Cada prueba consiste en el brazo
partiendo del reposo, después se realiza un movimiento de contracción y relajación muscular en
intervalos constantes, manteniendo la tensión muscular durante aproximadamente 3-5 segundos de
manera que el sensor y el software pueda registrarlo exitosamente. Este movimiento se debe repetir al
menos 5 o 6 veces para tener una lectura confiable del grado de movilidad a registrar. Es importante
realizar una prueba preliminar para corregir posibles fallos, ya sean del paciente al momento de realizar
la prueba, una mala conexión, un mal funcionamiento de software, etc.; así como para poder ver si se
está realizando el sensado de manera adecuada.
5. Registro, depuración de señales adquiridas y finalización de las mediciones
Al finalizar la prueba exitosamente se procede a guardar los datos obtenidos en un archivo de tipo CSV,
con el cual se exporta al software de procesamiento de datos Octave (Cifuentes, J. M. V., & Sánchez,
C. M., 2006). Este procedimiento debe repetirse con cada uno de los grados de movilidad hasta terminar
con todos los que se pretenden adquirir. Al finalizar las pruebas se desconecta el sensor de los electrodos
de broche y el paciente puede retirarlos y desecharlos ya que estos no se reutilizan. Si los electrodos se
encuentran muy adheridos a la piel puede usarse un paño húmedo para removerlos de manera más
cuidadosa sin irritar la piel del paciente.
pág. 5369
6. Análisis fuera de línea de la señal registrada, preparación de datos y cálculo del primer y
segundo momento de probabilidad
Una vez obtenidos los datos en formato CSV para su análisis, se montan en el software Octave, en donde
se ejecuta un script que procesa la información, proporcionando la señal recreada a partir de los datos
leídos. Dicho script procesa los datos calculando la media recursiva, la varianza y la desviación estándar.
Al finalizar su ejecución, este programa muestra las gráficas que se obtienen para poder observar cómo
se comporta el sistema (ver Figura 4).
Figura 4. Diagrama de procesamiento de señal EMG
Fuente propia
7. Presentación de resultados
Ya que los datos han sido procesados y se obtienen resultados, estos se compilan en una bitácora
individual de cada paciente, detallando los datos obtenidos, las condiciones en las cuales se dieron las
pruebas, gráficas, observaciones y conclusiones. Los resultados obtenidos serán utilizados en un trabajo
futuro enfocado en el uso de prótesis biónicas (Gabriel Sanz, S., 2012)(ver Figura 5).
pág. 5370
Figura 5. Gráfica de la señal adquirida
Fuente propia
8. Fallo del experimento y finalizado
Durante la prueba puede haber errores humanos, tanto en la conexión de los dispositivos electrónicos,
así como en la ejecución de la prueba o en el software de adquisición de datos, lo cual puede derivar en
una revisión, sustitución de algún elemento o hasta en la cancelación de la prueba, dándola por finalizada
y resultando como fallido el experimento. En la Figura 6 se puede ver un diagrama de una parte del
procedimiento para la realización del experimento.
Figura 6. Diagrama de estados del experimento
Fuente propia
pág. 5371
RESULTADOS Y DISCUSIÓN
Para cada paciente se obtienen resultados concernientes a 5 grados de movilidad, los cuales son:
1. Apertura y cierre de puño
2. Doblar muñeca
3. Giro de muñeca
4. Agarre (sujetando un objeto cilíndrico de 1 kg.)
5. Contraer el bíceps
De los cuales, se presentan 2 en este artículo y se muestran a continuación: la señal obtenida, media
aritmética recursiva y varianza e histograma. En la Tabla 2, se exponen las condiciones en las cuales
han sido realizados los experimentos para los grados de movilidad No.1 y No. 5, los cuales consisten en
la apertura y cierre de puño, y contraer el bíceps, respectivamente. En estos se pueden ver datos
obtenidos del experimento tales como media aritmética, varianza, número de mediciones, etc., así como
las unidades de cada medición.
Tabla 2. Condiciones de laboratorio.
Grado de Movilidad
No.1
Apertura y Cierre de
Puño
No.5
Contraer Bicep
Fecha de estudio
15 de Febrero 2024
15 de Febrero
Temperatura
Ambiente
Ambiente
Nivel de humedad
33
33
Altitud S.N.M.
2,240
2,240
Señal Valor Min.
67
96
Señal Valor Max.
200
268
Media Aritmética
94.2519
146.95
Varianza
1027.8
1733.94
Desviación Estándar
32.0594
41.6406
No. de Mediciones
401
401
pág. 5372
En las fotografías de la Figura 7 se puede apreciar la colocación de los electrodos en el paciente para
hacer la prueba. Además de la conexión del paciente con el sensor, también es posible observar la
conexión entre el sensor y el microcontrolador Arduino, así como la realización del primer ejercicio que
consiste en abrir y cerrar la palma de la mano para obtener la señal con los sensores.
Figura 7. Paciente listo para prueba de grado de movilidad 1 (apertura y cierre de puño)
Fuente propia
En la Figura 8 se observa la señal adquirida del paciente y el primer momento de probabilidad en color
verde, a su vez, también se aprecia la desviación estándar, presentada en dos curvas (máximo y mínimo),
por lo que con esto mismo se puede observar que la media aritmética recursiva se encuentra centrada en
el intervalo y esta misma tiende a converger a una constante.
Figura 8. Gráfica de la señal EMG en mV. Primer y segundo momentos de probabilidad (media
aritmética recursiva y su respectiva desviación estándar) para el grado de movilidad 1, donde k
representa el número de muestra
Fuente propia
pág. 5373
En la Figura 9, se puede observar la varianza recursiva; esta gráfica muestra cuánto varían los datos con
respecto a la media aritmética. Es importante mencionar que para el cálculo adecuado de la varianza, el
primer valor de las mediciones no debe ser cero sino el primer valor medido por el sensor EMG, ya que
de ser así se ven afectados los valores recursivos, así como la forma de la gráfica. Como se observa, la
gráfica de la varianza es acotada, sin embargo, se aprecia que los datos tienden a estar dispersos, pero
estos tienen una dispersión uniforme.
Figura 9. Gráfica de la varianza recursiva para el grado de movilidad 1
Fuente propia
De acuerdo a la gráfica de la varianza que se muestra en la Figura 9, se puede afirmar que los datos están
distribuidos de manera uniforme y con el histograma (Figura 10), se observa que están distribuidos a lo
largo del eje horizontal.
Figura 10. Histograma de grado de movilidad No. 1 (fuente propia).
Fuente propia
A continuación, se muestran las evidencias de la realización del experimento No.5, cuyas condiciones
pág. 5374
de realización se encuentran presentes en la tabla 2.
Como se puede apreciar en la figura 11, en referencia al grado de movilidad No. 5, la colocación de los
electrodos siempre es la misma que en los experimentos anteriores, lo que varía con respecto a los demás
ejercicios es el movimiento que realiza el paciente y con ello se adquiere la señal EMG correspondiente.
Figura 11. Grado de movilidad No. 5 contraer bíceps
Fuente propia
En la Figura 12 se observa la señal adquirida del brazo en el experimento de grado de movilidad No. 5,
en la cual se aprecia en color azul la señal EMG adquirida por el ejercicio, en verde la media aritmética
recursiva y en color rojo la media aritmética más, menos la desviación estándar para acotar su variación.
Figura 12. Gráfica de la señal EMG en mV. Primer y segundo momentos de probabilidad (media
aritmética recursiva y su respectiva desviación estándar) para el grado de movilidad 5, donde k
representa el número de muestra
Fuente propia
En este grado de movilidad, se puede apreciar que el segundo momento de probabilidad (Figura 13)
tiende a disminuir, por lo que se ve que los datos están más agrupados al centro a diferencia de la prueba
pág. 5375
del grado de movilidad 1.
Figura 13. Segundo momento de probabilidad, varianza recursiva, grado de movilidad No. 5
Fuente propia
De acuerdo con la Figura 14, se observa que el histograma tiende a estar agrupado en el centro. Respecto
a los dos grados de movilidad mostrados, se puede notar que cada uno cuenta con su forma de señal
captada, primer y segundo momento de probabilidad e histograma con sus diferencias, dependiendo del
movimiento que realice el brazo.
Figura 14. Histograma grado de movilidad No. 5.
Fuente propia
CONCLUSIONES
Es importante medir y caracterizar las señales EMG en los miembros superiores en humanos
(extremidades superiores) para determinar si está presente algún problema físico o padecimiento en los
pág. 5376
pacientes o para diseño de prótesis biónicas. Al medir las señales mioeléctricas de los músculos se busca
conocer las señales correspondientes a cada movimiento en un mismo grupo muscular, como en este
caso es el del antebrazo. En este artículo se implementa un dispositivo que representa un método no
invasivo para tal efecto, el cual está constituido por electrodos, un sensor EMG, una placa
microcontrolada Arduino y una computadora con una distribución basada en Ubuntu (Zorin), además
de los paquetes de software Tauno y Ovtave; con estas herramientas se busca obtener la señal de cada
movimiento mediante una serie de pruebas sin tener que herir al paciente.
Para acotar el experimento se eligieron 5 movimientos básicos que cualquier persona saludable o con
alguna afección pudiera llegar a realizar sin que le resultara doloroso o complicado. Además, al ser
movimientos simples, la señal obtenida en cada uno de ellos varía lo suficiente para que la señal obtenida
sea visiblemente diferente y pudiera ser trabajada.
Con una bitácora de cada paciente se ha realizado un mejor control de cada una de las situaciones que
han acontecido. Para este propósito, los datos se guardan y presentan de manera ordenada para que esta
información pueda usarse en otras áreas de la ingeniería (como el desarrollo de prótesis biónicas
electromecánicas).
En cada una de las pruebas, se obtienen 4 elementos, los cuales son: señal EMG graficada, media
aritmética recursiva, varianza recursiva e histograma. Los datos obtenidos de cada grado de movilidad
se usan para caracterizar la señal obtenida, ya que a pesar de realizar la adquisición de un mismo grupo
muscular, el realizar diferentes movimientos hace que la magnitud de dicha señal varíe, generando
diferentes tipos de datos de los movimientos analizados en cada prueba.
La media aritmética recursiva brinda información del sistema para apreciar gráficamente si el sistema
tiende a ser estacionario y por ende apreciar que el paciente está en condiciones de realizar la prueba,
resultando en datos obtenidos confiables, los cuales hacen posible determinar condiciones como la fatiga
muscular, golpes o heridas, aspectos que son determinantes para evaluar la salud de un músculo en
particular.
La varianza muestra si los datos obtenidos tienden a ser más dispersos o centrados con respecto a la
media y para ver si los picos de la señal están dentro de lo esperado o pudieran presentarse ruidos o
alguna afección muscular que afecte la medición. El análisis de los histogramas elaborados confirma lo
pág. 5377
que la varianza recursiva presenta, ya que se puede apreciar de mejor manera si los datos tienden a estar
sesgados a lo largo del eje horizontal o si están más agrupados al centro del mismo eje. Esto podría
derivar en un criterio de discriminación entre diferentes grados de movilidad y ayudar en la clasificación
de los movimientos realizados por el usuario del sistema propuesto.
REFERENCIAS BIBLIOGRAFICAS
Cifuentes, J. M. V., & Sánchez, C. M. (2006). Manual de iniciación a GNU Octave. Trabajo realizado
dentro de un Proyecto Fin de Carrera dirigido por Carlos Medrano Sánchezen la EU Politécnica
de Teruel Año.
Dawson, M. R., Sherstan, C., Carey, J. P., Hebert, J. S., & Pilarski, P. M. (2014). Development of the
Bento Arm: An improved robotic arm for myoelectric training and research. Proc. of MEC, 14,
60-64.
De la Rosa Steinz, R., & Liptak, L. (2002). Entrenador mioeléctrico de prótesis para amputados de
brazo y mano. Mapfre medicina, 13(1), 11-19.
Gabriel Sanz, S. (2012). Desarrollo y comparación de sistemas de reconocimiento biométrico de
personas usando características de la forma de andar (Bachelor’s thesis).
Gila, L., Malanda, A., Rodríguez Carreño, I., Rodríguez Falces, J., & Navallas, J. (2009). Métodos de
procesamiento y análisis de señales electromiográficas. In Anales del sistema sanitario de Navarra
(Vol. 32, pp. 27-43).
Izurieta Freire, J. G. (2018). Sistema de adquisición de señales EMG (electromiográficas) para detectar
miopatías en deportistas de alto rendimiento (Bachelor’s thesis, Universidad Técnica de Ambato.
Facultad de Ingeniería en Sistemas, Electrónica e Industrial. Carrera de Ingeniería en Electrónica
y Comunicaciones).
Mejía, M. B. T., López, P. G., Baldovinos, D. L. G., Rosas, J. L. C., & Ponomaryova, I. (2023).
Comportamiento de los tiempos de respuesta en la simulación en tiempo real de un sistema
dinámico. Caso de estudio: circuito RL en RT-Linux. Ciencia Latina Revista Científica
Multidisciplinar, 7(1), 10186-10204.
Paredes, C. A. C., Pantoja, D. E. L., & Acosta, M. F. J. (2011). Diseño e implementación de un módulo
electromecánico para la rehabilitación física de la mano derecha afectada como secuela de un
pág. 5378
ataque cerebrovascular. Universidad y Salud, 2(14).
Sánchez, C. A. (2004). Método de clasificación de la señal EMG del antebrazo basado en redes
neuronales artificiales y su aplicación sobre una prótesis virtual.
Vaca Herrera, E. R. (2017). Prototipo de prótesis de un brazo con 12 gdl controlada mediante ondas
cerebrales (Bachelor’s thesis, Universidad Técnica de Ambato. Facultad de Ingeniería en
Sistemas, Electrónica e Industrial. Carrera de Ingeniería en Electrónica y Comunicaciones).
Gabriel Sanz, S. (2012). Desarrollo y comparación de sistemas de reconocimiento biométrico de
personas usando características de la forma de andar (Bachelor's thesis).
Tolosa, L., Torrealba, R. R., & Silva, R. (2008). Desarrollo de un Algoritmo para generar una Señal de
Control para una Prótesis Mioeléctrica de Rodilla. In IFMBE PROCEEDINGS (Vol. 18, No. 2, p.
788). SPRINGER SCIENCE+ BUSINESS MEDIA.
Alberca, J. M. G., & Prieto, C. G. (1997). Tratamiento de un caso de parálisis facial mediante
biofeedback electromiográfico. Análisis y modificación de conducta, 23(90), 551-565.
Córdova Martínez, A., Nuin Amuriza, I., Fernández Lázaro, D., Latasa, I., & Rodríguez Falces, J.
(2017). Actividad electromiográfica (EMG) durante el pedaleo, su utilidad en el diagnóstico de la
fatiga en ciclistas. Archivos de medicina del deporte, 34(180), 217-223.
Guerrero, M. N. V. (1990). Biofeedbak EMG frontal y terapia cognitiva en el tratamiento de cefaleas
tensionales, migrañas y cefaleas mixtas. Análisis y modificación de conducta, 16(47), 99-119.