А.В. Юдин1, Е.А. Елисеичев2, П.С. Воробьев3, М.В. Панкратов4, И.С. Блинов5

1, 2 ФГБОУ ВО РГАТУ имени П.А. Соловьева (г. Рыбинск, Россия)
3–5 ООО НПП «БиоТех» (г. Рыбинск, Россия)
1 judinav@mail.ru, 2 EvgenijEliseichev@mail.ru, 3 vorobps@gmail.com, 4 pankratov_m_v@mail.ru, 5 ilya.blinov.1998@mail.ru

Постановка проблемы. Современные биопротезы верхних конечностей представляют собой сложные технические устройства, при этом особое внимание при их использовании уделяется процессу обучения пользователя, направленному на повышение эффективности управления таким устройством. Несмотря на активное развитие реабилитационной инженерии, в частности, применение геймификации, а также внедрение технологий виртуальной/дополненной реальности в процесс обучения, на сегодняшний день отсутствует единый системный подход к оценке его эффективности. Существующие способы оценки эффективности обучения, как правило, основаны на функциональных тестах (тест с цилиндром, SHAP-тест, тест с перемещением бельевых прищепок, BBT-тест) или анкетировании пользователя. Основным недостатком этих подходов является то, что они оценивают конечный результат освоения биопротеза и не рассматривают промежуточный этап – этап корректного обучения и использования классификатора для распознавания движений, что сильно ограничивает применение этих методик для случая обучения пользователя управлять биопротезом с системой управления на основе искусственной нейронной сети.

Цель. Произвести оценку эффективности методики обучения пользованию биопротезом верхней конечности с системой управления на основе искусственной нейронной сети. Для достижения этой цели были поставлены следующие задачи: провести анализ существующих методик обучения, изложенных в научных трудах по реабилитационной инженерии за последние 10 лет; определить количественные критерии эффективности методики обучения; выполнить расчет критериев эффективности для авторской методики, основанной на обучении искусственной нейронной сети.

Результаты. Предложены три численных критерия эффективности:  – характеризует количество освоенных движений по отношению ко времени обучения;  – характеризует вероятность правильной реализации хвата по отношению ко времени обучения;  – характеризует качество формирования хвата. Авторская методика обучения пользованию биопротезом верхней конечности, основанная на обучении искусственной нейронной сети, была апробирована на испытуемом со здоровым предплечьем. Суммарное время обучения составило 8 ч, а средняя вероятность правильной реализации хвата составила 81,8%. Расчет критериев эффективности для авторской методики дал следующие результаты: КЭ1 = 1,5 шт./ч; КЭ2 = 10,2%/ч; КЭ3 = 0,92. Установлено, что авторская методика оказалась эффективнее большинства методик, предложных в научных трудах за последние 10 лет, по критерию КЭ1, при этом сравнить ее с существующими методиками по критериям КЭ2 и КЭ3 не представляется возможным.

Практическая значимость. Сформулированные количественные критерии эффективности могут стать основой для создания системного и универсального подхода к оценке методик обучения пользованию биопротезом верхней конечности с системой управления на основе искусственной нейронной сети. Использование такого подхода позволит объективно сравнивать между собой различные системы и программы реабилитации, а также целенаправленно совершенствовать их по одному из предложенных критериев эффективности. Дальнейшее исследование проблемы может быть связано с созданием комплексного критерия эффективности методики обучения.

Юдин А.В., Елисеичев Е.А., Воробьев П.С., Панкратов М.В., Блинов И.С. Оценка эффективности методики обучения пользованию биопротезом верхней конечности с системой управления на основе искусственной нейронной сети // Биомедицинская радиоэлектроника. 2025. T. 28. № 6. С. 5−15. DOI: https://doi.org/10.18127/j15604136-202506-01

1. ResearchGate [Электронный ресурс]. URL: https://www.researchgate.net/ (дата обращения: 27.06.2025).
2. arXiv [Электронный ресурс]. URL: https://arxiv.org/ (дата обращения: 27.06.2025).
3. Lens [Электронный ресурс]. URL: https://www.lens.org/ (дата обращения: 27.06.2025).
4. Perry B., Armiger R., Yu K., Alattar A., Moran C., Wolde M., Scippa K., Pasquina P., Tsao J. Virtual Integration Environment as an Advanced Prosthetic Limb Training Platform // Frontiers in neurology. 2018. V. 9. P. 1–8. DOI: 10.3389/fneur.2018.00785
5. Boschmann A., Neuhaus D., Vogt S., Kaltschmidt C., Platzner M., Dosen S. Immersive augmented reality system for the training of pattern classification control with a myoelectric prosthesis // Journal of neuroengineering and rehabilitation. 2021. V. 18. № 25. P. 1–16. DOI: 10.1186/s12984-021-00822-6
6. Kristoffersen M., Franzke A., Bongers R., Wand M., Murgia A., Sluis C. User training for machine learning controlled upper limb prostheses: a serious game approach // Journal of neuroengineering and rehabilitation. 2021. V. 18. № 32. P. 1–16. DOI: 10.1186/s12984-021-00831-5
7. Tchimino J., Maas B., van Dijk B., Murgia A., van der Sluis C.K., Bongers R.M. Effects of game design characteristics of a virtual reality serious game for upper-limb prosthesis control training on motor learning // Frontiers in rehabilitation sciences. 2025. P. 1–15. DOI: 10.3389/fresc.2025.1520184
8. Maas B., van der Sluis C.K., Bongers R.M. Assessing effectiveness of serious game training designed to assist in upper limb prosthesis rehabilitation // Frontiers in rehabilitation sciences. 2024. P. 1–12. DOI: 10.3389/fresc.2024.1353077
9. Winslow B., Ruble M., Huber Z. Mobile, game-based training for myoelectric prosthesis control // Frontiers in bioengineering and biotechnology. 2018. V. 6. № 94. P. 1-8. DOI: 10.3389/fbioe.2018.00094
10. Heerschop A., Sluis C., Bongers R. Transfer of mode switching performance: from training to upper-limb prosthesis use // Journal of neuroengineering and rehabilitation. 2021. V. 18. № 85. P. 1–16 p. DOI: 10.1186/s12984-021-00878-4
11. Heerschop A., Sluis C., Bongers R. Training prosthesis users to switch between modes of a multi-articulating prosthetic hand // Disability and Rehabilitation. 2022. V. 46. № 1. P. 187–198. DOI: 10.1080/09638288.2022.2157055
12. Light C.M. An intelligent hand prosthesis and evaluation of pathological and prosthetic hand function. PhD diss., University of Southampton, UK, 2000. 152 p.
13. Белова А.Н., Рукина Н.Н., Кузнецов А.Н., Борзиков В.В., Белова Е.М. Оценка результатов протезирования верхней конечности // Медицина. 2017. Т.  5. № 3(19). С. 85–107.
14. Mathiowetz V., Volland G., Kashman N. Weber K. Adult norms for the box and block test of manual dexterity // American Journal of Occupational Therapy. 1985. V. 39. № 6. P. 386–391.
15. Безъязычный В.Ф., Юдин А.В., Панкратов М.В., Елисеичев Е.А., Воробьев П.С., Блинов И.С. Классификация движений искусственной нейронной сетью для управления бионической кистью // Искусственный интеллект и принятие решений. 2025. № 1. С. 33–45. DOI: 10.14357/20718594250103
16. Безъязычный В.Ф., Юдин А.В., Михайлов В.В., Елисеичев Е.А., Панкратов М.В., Воробьев П.С., Блинов И.С. Оценка точности выполнения хватов антропоморфной бионической кисти // Вестник машиностроения. 2025.
17. Буров Г.Н., Большаков В.А., Дробаха А.С. Протезирование верхних конечностей: оценка успешности методом траекторного анализа // Физическая и реабилитационная медицина. 2021. Т. 3. № 4. С. 32–40. DOI: 10.26211/2658-4522-2021-3-4-32-40
18. Муравьев С.А. Бионический протез кисти руки. Патент России № 176303U1. 2017.
19. Иволга Д.В., Хомутов Е.Э., Борисов И.И., Молчанов Н.А., Максимов И.А., Колюбин С.А. Программно‑аппаратная архи­тектура системы управления антропоморфной кистью робота // Изв. вузов. Приборостроение. 2022. Т. 65. № 3. С. 164–173. DOI: 10.17586/0021‑3454‑2022‑65‑3‑164‑173
20. Krechetov I., Skvortsov A., Poselsky I. Experimental Study of 7‑DOF Bionic Forearm Prosthesis // International Journal of Engineering Trends and Technology. 2020. V. 68. P. 40–48. DOI: 10.14445/22315381/IJETT-V68I9P208
21. Borisov I., Borisova O., Krivosheev S., Oleynik R., Reznikov S. Prototyping of EMG-Controlled Prosthetic Hand with Sensory System // IFAC-PapersOnLine. 2017. V. 50. № 1. P. 16027–16031. DOI: 10.1016/j.ifacol.2017.08.1915
22. Controzzi M., D'Alonzo M., Peccia C., Oddo C., Carrozza M.C., Cipriani C. Bioinspired Fingertip for Anthropomorphic Robotic Hands // Applied Bionics and Biomechanics. 2014. V. 11. P. 25–38. DOI: 10.3233/ABB-140092
23. Guochao B. Adaptive and Reconfigurable Robotic Gripper Hands with a Meso-Scale Gripping Range. PhD diss., Heriot-Watt University, School of Engineering and Physical Sciences, Scotland, 2018. 185 p.
24. Claret J.R., Suárez R. Efficient and practical determination of grasping configurations for anthropomorphic hands // IFAC Proceedings Volumes. 2011. V. 44. № 1. P. 14660–14666. DOI: 10.3182/20110828-6-IT-1002.00711
25. Manoharan V.S., Sundaram S., Jason I. Factors Affecting Hand Grip Strength and its Evaluation: a Systemic Review // International Journal of Physiotherapy and Research. 2015. V. 3. P. 1288–1283. DOI: 10.16965/ijpr.2015.193