А.Н. Брико1, П.Е. Чибизов2, В.С. Мазеина3, В.В. Каправчук4, А.В. Кобелев5, С.И. Щукин6

1–6 Московский государственный технический университет им. Н.Э. Баумана (Москва, Россия)
1 briko@bmstu.ru

Постановка проблемы. Среди известных методов регистрации мышечной активности наиболее широко используется метод пЭМГ. Однако его возможности для антропоморфного управления биоэлектрическими устройствами ограничены, что связано, в первую очередь, с необходимостью качественного контакта электродной системы с кожными покровами, чувствительностью к потоотделению и внешним электромагнитным помехам. Данная проблема может быть решена посредством использования мультимодальных систем регистрации. Использование одновременно нескольких видов сигналов мышечной активности может предоставить ряд потенциальных преимуществ: повышение точности и надежности, расширение набора распознаваемых жестов, адаптивность к индивидуальным особенностям оператора, уменьшение влияния внешних помех, повышение функциональности и комфорта использования.

Цель. Оценить эффективность совместного использования сигналов ЭМГ, ЭИ, МТГ для анализа различных типов выполняемых предплечьем действий.

Результаты. Анализ различных комбинаций сигналов ЭМГ, ЭИ, МТГ показал, что комбинация всех трех обеспечивает наивысшую точность распознавания жестов. Установлено, что комбинация сигналов ЭМГ и ЭИ позволяет достигать сопоставимых результатов без значительной потери в точности и эффективности.

Практическая значимость. Полученные результаты могут быть применены при разработке систем управления протезами, в интерфейсах виртуальной и дополнительной реальности, а также в спортивной медицине.

Брико А.Н., Чибизов П.Е., Мазеина В.С., Каправчук В.В., Кобелев А.В., Щукин С.И. Оценка эффективности синтеза систем
бионического управления на основе комплексирования сигналов ЭМГ, ЭИ, МТГ // Биомедицинская радиоэлектроника. 2024.
T. 27. № 6. С. 20−29. DOI: https://doi.org/10.18127/j15604136-202406-02

1. Prociow P., Wolczowski A., Amaral T.G., Dias O.P. and Filipe J. Identification of hand movements based on MMG and EMG Signals // BIOSIGNALS. 2008. V. 2. P. 534–539.
2. Ke A. et al. An ultra-sensitive modular hybrid EMG–FMG sensor with floating electrodes // Sensors (Switzerland). MDPI AG. 2020. V. 20. № 17. P. 1–15.
3. Rabe K.G., Fey N.P. Evaluating Electromyography and Sonomyography Sensor Fusion to Estimate Lower-Limb Kinematics Using Gaussian Process Regression // Front Robot AI. Frontiers Media S.A. 2022. V. 9. P. 1–14.
4. Khushaba R.N. et al. Combined influence of forearm orientation and muscular contraction on EMG pattern recognition // Expert Syst Appl. Elsevier Ltd. 2016. V. 61. P. 154–161.
5. Shahzad W. et al. Enhanced performance for multi-forearm movement decoding using hybrid IMU–SEMG interface // Front Neurorobot. Frontiers Media S.A. 2019. V. 13. P. 1–12.
6. Kimoto A., Fujiyama H., Machida M. A Wireless Multi-Layered EMG/MMG/NIRS Sensor for Muscular Activity Evaluation // Sensors. MDPI. 2023. V. 23. № 3. P. 1–10.
7. Briko A.N., Kobelev A.V., Shchukin S.I. Electrodes interchangeability during electromyogram and bioimpedance joint recording // Proceedings – 2018 Ural Symposium on Biomedical Engineering, Radioelectronics and Information Technology, USBEREIT 2018. Institute of Electrical and Electronics Engineers Inc. 2018. P. 17–20.
8. Briko A. et al. A way of bionic control based on EI, EMG, and FMG signals // Sensors. MDPI. 2022. V. 22. № 1. P. 1–8.
9. Van Der Maaten L., Hinton G. Visualizing Data using t-SNE // Journal of Machine Learning Research. 2008. V. 9. P. 2579–2605.
10. Watanabe S. Information Theoretical Analysis of Multivariate Correlation // IBM Journal. 1960. P. 66–82.
11. Kapravchuk V. et al. An Approach to Using Electrical Impedance Myography Signal Sensors to Assess Morphofunctional Changes in Tissue during Muscle Contraction // Biosensors (Basel). Multidisciplinary Digital Publishing Institute (MDPI). 2024. V. 14. № 2. P. 1–12.