En el músculo elegido para ello, se colocan unos electrodos de superficie para capturar estas señales. Estos electrodos son fundamentales para una buena captura, debiendo tener buena superficie de contacto y gran adherencia. Debido a que la piel ofrece una resistencia elevada, se hace necesario la aplicación de un gel que disminuya dicha resistencia en la zona aplicada, contribuyendo a mejorar la ganancia de la señal. Estos electrodos se aplican directamente a la entrada de un amplificador de alta ganancia. Esto es así debido a que las señales EMG tienen una tensión del orden de milivoltios lo que la hace inapropiada para trabajar con ella, debiéndose por esta razón amplificarla hasta valores en los que los circuitos puedan trabajar sin problemas. La etapa de amplificación es una de las etapas más críticas en todo el tratamiento a que se someten estas señales. Los amplificadores deben diseñarse con extremo cuidado para evitar influir en la señal original y deben realizar una amplificación lo más fiel posible de la señal de entrada. En la práctica, esto es complicado debido a que las señales EMG, al ser tan débiles, son fácilmente sobremoduladas por otras señales que aumentan el ruido de la señal original. Los circuitos usados en el diseño deben ser ciudadosamente seleccionados para minimizar que el ruido presente en todos los circuitos electrónicos afecte a la señal de entrada.
Una vez realizada la amplificación, tenemos una señal equivalente a la producida por la contracción muscular pero de mayor amplitud. Es necesario ahora eliminar algunas componentes conocidas de ruido en esta señal ya amplificada con objeto de eliminar información que puede estar ensuciando la original. Para ello se la hace pasar por una etapa de filtrado, en concreto se eliminan las componentes de frecuencia de 50 Hz. Las responsables de este ruido de 50 Hz son las líneas de tensión domésticas presentes en todas las instalaciones. Hay que tener en cuenta que existen otras fuentes de ruido que afectan a la señal y que no es posible su eliminación total.
Llegados a este punto se ha obtenido una señal en unos márgenes de tensión adecuados y se ha eliminado ruido en la medida de lo posible, pero esta señal no está en la forma adecuada para que los ordenadores actuales (digitales) puedan trabajar con ella. Por tanto se hace necesario una etapa de conversión. La señal original es de naturaleza analógica, es decir, entre dos instantes de tiempo cualesquiera de ésta existen infinitos valores de la señal. Al no poder trabajar los ordenadores con señales analógicas hay que convertirlas a señales digitales o discretas muestreando la señal analógica con una frecuencia adecuada para no perder ninguna información relevante. El teorema del muestreo afirma que para muestrear una señal sin perder información y por tanto poder reproducirla perfectamente partiendo de la señal discreta, se debe muestrear a una frecuencia de al menos el doble de la frecuencia fundamental de la señal analógica. Las señales EMG tienen una frecuencia que oscila entre 50 y 150 Hz, de aquí se deduce que la frecuencia de muestreo adecuada no debe ser menor de 300 Hz. Quizás se pueda pensar que una frecuencia de muestreo mayor, por ejemplo 600 Hz, sea mejor, pero con 300 Hz se obtiene toda la información fundamental de la señal y se minimiza el número de datos necesarios para manejar las señales EMG en ordenadores. A una frecuencia de 300 Hz y muestreando durante un segundo se representa una señal EMG como un vector de 300 elementos, un tamaño aceptable que permite un tiempo de cómputo muy bueno en un ordenador actual de prestaciones medias.
Ya tenemos la señal producida por la contracción muscular de una persona en el orenador de forma manejable y a la que se le pueden aplicar determinadas operaciones. Nos centramos ahora en la descripción de las principales técnicas matemáticas para la manipulación de estas señales. Debido a la naturaleza estocástica de estas señales, hay que recurrir a técnicas específicas; en concreto, el que suscribe está utilizando tres métodos: el análisis espectral, ecuaciones autoregresivas y redes neuronales.
El análisis espectral o análisis de Fourier consiste en pasar una señal del dominio del tiempo al dominio de la frecuencia. Obteniéndose de esta forma información sobre las componentes en frecuencia de la señal en estudio. Sólo es necesario añadir un criterio de distancia para determinar la igualdad entre dos señales. Normalmente se usa la distancia Euclídea, pero existen otras muchas que se utilizan en casos específicos cuando la señal es de difícil tratamiento. Es un método computacionalmente eficiente puesto que existe un algoritmo, llamado FFT (Fast Fourier Transform) que reduce el número de operaciones necesarias para realizar la conversión.
De las técnicas matemáticas para el análisis univariante de series temporales se utilizan los procesos autoregresivos AR, que se basan en estimar el n ésimo valor de la señal usando una combinación lineal de un número, determinado a priori, de valores anteriores. Existen otros procesos como MA (Moving Average) o procesos de media móvil, y combinación de ambos en ARMA.
La última técnica mencionada consiste en utilizar una red neuronal para determinar el grado de igualdad entre señales. Estas técnicas son muy recientes y parecen adaptarse bien a este tipo de señales en las que hay una componente fuerte de aleatoriedad. Presentan como inconveniente una carga computacional elevada.
Estos métodos son implementados mediante algoritmos, programados lo más eficientemente posible, usando para ello estructuras de datos adecuadas y haciendo especial énfasis en la velocidad de ejecución de estos métodos, puesto que un sistema de este tipo debe tener características de tiempo real y por tanto debe acortar el tiempo de respuesta. Una vez que se reconoce una señal procedente del músculo del usuario, se realizan las acciones asociadas a esta señal. Estas acciones pueden ser muy variadas, desde mover el puntero del ratón en la pantalla del ordenador, hasta activar un sistema motor que realice una acción mecánica. Las acciones a realizar por el sistema vienen determinadas por las necesidades de cada paciente, siendo prácticamente ilimitadas. Un sistema de este tipo es un claro ejemplo de cooperación entre dos áreas de conocimiento que, aunque se encuentra aún en fase de desarrollo y hay pocos trabajos en este campo, esperemos que sea un campo en crecimiento constante, pues es de gran potencia y utilidad, sobre todo para personas con parálisis, lo que conduciría a una mayor integración de estas personas en las actividades sociales.