М.А. Петров1, П.Е. Чибизов2, Е.В. Мелихова3, А.М. Акканен4, М.П. Нечаев5, А.Н. Брико6

1, 2, 4–6 Московский государственный технический университет им. Н.Э. Баумана (Москва, Россия)
3 Научно-технологический университет «Сириус» (Федеральная территория «Сириус», Россия)
1 petrovma@student.bmstu.ru

Постановка проблемы. В современных бионических протезах могут использоваться биологические сигналы различной физической природы. Наиболее часто, ввиду его изученности и простоты регистрации, в качестве управляющего используется сигнал электромиографии. Однако его применение может быть ограничено физическими факторами и физиологическими особенностями каждого человека. Для преодоления этих проблем необходимо исследование и разработка более точных и адаптивных алгоритмов обработки сигналов ЭМГ, которые смогут компенсировать индивидуальные особенности пользователей и помехи.

Цель. Рассмотреть и проанализировать подходы к реализации электромиографического управления с помощью моделей классификаторов на основе машинного обучения и нейросетей и повышения точности классификации с помощью варьирования набора используемых признаков сигнала.

Результаты. Наиболее точным классификатором оказался метод случайного леса – точность составила 0,89 и 0,88 для временной и частотной областей соответственно. Для большинства классификаторов, кроме свёрточной нейросети, точность во временной области выше, чем в частотной. Набор признаков, при котором точность максимальна – амплитуда Вилсона, количество пересечений нуля, максимальная амплитуда.

Практическая значимость. Определённые наборы признаков и методы предварительной обработки позволяют достичь наибольшей точности классификации при меньших объёмах вычислений. Использование более точных классификаторов повышает точность классификации систем управления бионическими устройствами.

Петров М.А., Чибизов П.Е., Мелихова Е.В., Акканен А.М., Нечаев М.П., Брико А.Н. Алгоритмические стратегии обработки сигналов ЭМГ для обеспечения бионического управления протезами верхних конечностей // Биомедицинская радиоэлектроника. 2024. T. 27. № 6. С. 30−39. DOI: https://doi.org/10.18127/j15604136-202406-03

1. Briko A., Kapravchuk V., Dyachencova S. Biotechnical control system based on electromyogram, electroimpedance and myotonogram signals // 2021 International Conference on Engineering and Emerging Technologies (ICEET). IEEE. 2021. P. 1–4. DOI: 10.1109/ICEET53442.2021.9659559
2. Farfán F.D., Politti J.C., Felice C.J. Evaluation of EMG processing techniques using information theory // Biomedical engineering online. 2010. V. 9. P. 1–18. DOI: 10.1186/1475-925X-9-72
3. Rubinov N.S., Rudakov I.V., Stroganov I.V. Development of Specialized Software for Biomedical Research // 2020 IEEE Confe­rence of Russian Young Researchers in Electrical and Electronic Engineering (EIConRus). IEEE. 2020. P. 486–488. DOI: 10.1109/EIConRus49466.2020.9039318
4. Park S.H, Lee S.P. EMG Pattern Recognition Based on Artificial Intelligence Techniques // IEEE Transactions on Rehabilitation Engineering. 1998. V. 6. № 4. P. 400–405. DOI: 10.1109/86.736154
5. Hermens H.J., Freriks B., Disselhorst-Klug C., Rau G. Development of recommendations for sEMG sensors and sensor placement procedures // Journal of electromyography and Kinesiology. 2000. V. 5. № 10. P. 361–374. DOI: 10.1016/S1050-6411(00)00027-4
6. Kotov-Smolenskiy A.M., Khizhnikova A.E., Klochkov A.S., Suponeva N.A., Piradov M.A. Surface EMG: applicability in the motion analysis and opportunities for practical rehabilitation // Human Physiology. 2021. V. 47. № 2. P. 237–247. DOI: 10.1134/ S0362119721020043.
7. SENIAM project // Hermens H.J., Freriks B. URL: http://www.seniam.org (дата обращения: 05.04.2024).
8. Aigner R., Wigdor D., Benko H., Haller M. Understanding mid-air hand gestures: A study of human preferences in usage of gesture types for hci // Microsoft Research TechReport MSR-TR-2012-111. V. 2. № MSR-TR-2012-111. P. 30.
9. Rota S., Rogowski I., Champely S., Hautier C. Reliability of EMG normalisation methods for upper-limb muscles // Journal of sports sciences. 2013. № 31. P. 1696–1704.
10. Parajuli N., Sreenivasan N., Bifulco P., Cesarelli M. Real-time EMG based pattern recognition control for hand prostheses: A review on existing methods, challenges and future implementation // Sensors. 2019. V. 19. № 20. P. 4596. DOI: 10.3390/s19204596
11. Gopal P., Gesta A., Mohebbi A. A systematic study on electromyography-based hand gesture recognition for assistive robots using deep learning and machine learning models // Sensors. 2022. V. 22. № 10. P. 3650. DOI: 10.3390/s22103650
12. Li W., Shi P., Yu H. Gesture recognition using surface electromyography and deep learning for prostheses hand: state-of-the-art, challenges, and future // Frontiers in neuroscience. 2021. V. 15. P. 621885. DOI: 10.3389/fnins.2021.621885
13. Rajapriya R., Rajeswari K., Thiruvengadam S.J. Deep learning and machine learning techniques to improve hand movement classification in myoelectric control system // Biocybernetics and Biomedical Engineering. 2021. V. 41. № 2. P. 554–571. DOI: 10.1016/j.bbe.2021.03.006
14. Кобелев А.В., Щукин С.И. Антропоморфное управление протезом предплечья на основе электроимпедансной миографии // Физические основы приборостроения. 2019. Т. 8. №. 4. С. 62–68. DOI: 10.25210/jfop-1904-062068
15. Altmann A., Toloşi L., Sander O., Lengauer T. Permutation importance: a corrected feature importance measure // Bioinformatics. 2010. V. 26. № 10. P. 1340–1347. DOI: 10.1093/bioinformatics/btq134