П.Е. Чибизов1, В.В. Каправчук2, В.С. Мазеина3, А.Н. Брико4

1–4 Московский государственный технический университет им. Н.Э. Баумана (Москва, Россия)
1chibizov@bmstu.ru

Постановка проблемы. В системах бионического управления и интерфейсах «мышца–машина» регистрируемые сигналы зависят не только от активности мышц, но и от их пространственного расположения, глубины залегания, взаимного перекрытия и смещения мягких тканей при движении. При использовании поверхностных методов регистрации (например, электромиографии или электроимпедансных измерений) эти анатомические факторы учитываются ограниченно. Для интерпретации сигналов и выбора зон регистрации необходимы методы, позволяющие получать поперечное изображение мышечных структур предплечья и оценивать их изменение при выполнении движений кисти. Это особенно важно на этапах предпротезной подготовки и настройки систем бионического управления, где требуется обоснованный выбор зон регистрации сигналов и оценка вклада отдельных мышц в выполнение движений.

Цель. Разработать экспериментальный стенд для поперечного ультразвукового картирования предплечья и оценить возможность его применения для визуализации мышечных структур и количественного анализа изменений площади их поперечного сечения при выполнении базовых движений кисти.

Результаты. В ходе проведенного исследования получены реконструированные поперечные ультразвуковые изображения предплечья, на которых различимы основные поверхностные мышечные структуры, границы между мышечной и кожно-жировой тканью, а также отдельные сосудистые структуры. Продемонстрировано, что предложенный подход позволяет не только визуализировать расположение мышц, но и оценивать изменение площади их поперечного сечения при выполнении движений кисти. Наиболее согласованный характер изменения площади между испытуемыми был отмечен для длинного лучевого разгибателя запястья: площадь данной мышцы увеличивалась при всех исследуемых движениях, а максимальное увеличение при приведении кисти составило от 32,1 до 44,0 %.

Практическая значимость. Разработанный стенд и методика обработки данных могут применяться для исследования пространственной организации мышц предплечья и их морфологических изменений при движениях кисти. Полученные данные могут быть использованы в реабилитации, спортивной медицине и исследованиях мышечной активности, а также при предпротезной подготовке, выборе зон регистрации и индивидуальной настройке систем бионического управления.

Чибизов П.Е., Каправчук В.В., Мазеина В.С., Брико А.Н. Экспериментальный стенд для поперечного ультразвукового картирования мышечных структур предплечья // Биомедицинская радиоэлектроника. 2026. T. 29. № 4. С. 5−17. DOI: https://doi.org/ 10.18127/j156 04136-202604-01

1. Romanova E., Leontyeva E., Kapravchuk V., Goidina T., Briko A., Kobelev A. Pressure influence on morphological and functional changes in forearm tissues research // In 2023 5th International Youth Conference on Radio Electronics, Electrical and Power Engineering (REEPE). IEEE. 2023. P. 1–6. Accessed: Dec. 05, 2025. [Online]. Available: https://ieeexplore.ieee.org/abstract/document/10086803/.
2. Yakim M.Y., Yusupova A.R., Yagodkina A.A., Kobelev A.V., Shchukin S.I. Real-Time Signal Processing for Degree of Hand Grasping and Rotation Based on Electrical Impedance Measurements // In 2025 7th International Youth Conference on Radio Electronics, Electrical and Power Engineering (REEPE). IEEE. 2025. P. 1–4. Accessed: Dec. 15, 2025. [Online]. Available: https://ieeexplore.ieee.org/abstract/document/10970947/.
3. Кобелев А.В., Щукин С.И. Антропоморфное управление протезом предплечья на основе электроимпедансной миографии // Физические основы приборостроения. 2019. V. 8. № 4. P. 62–68.
4. Kapravchuk V. et al. Method of Forearm Muscles 3D Modeling Using Robotic Ultrasound Scanning // Sensors, 2025. V. 25. № 7. P. 2298.
5. da Mata A.M.M., de Moura B.F., Martins M.F., Palma F.H.S., Ramos R. Electrical conductivity effect on the performance evaluation of EIT systems: A review’ // Measurement. 2021. V. 178. P. 109401.
6. Kapravchuk V., Briko A., Kobelev A., Hammoud A., Shchukin S. An approach to using electrical impedance myography signal sensors to assess morphofunctional changes in tissue during muscle contraction // Biosensors. 2024. V. 14. № 2. P. 76.
7. Arnold W.D., Clark B.C. Neuromuscular junction transmission failure in aging and sarcopenia // The nexus of the neurological and muscular systems. 2023. Ageing Res. Rev. V. 89. P. 101966.
8. Souza A. C. D. A. H. et al. Body Composition, Coronary Microvascular Dysfunction, and Future Risk of Cardiovascular Events Including Heart Failure // JACC Cardiovasc. Imaging. 2024. V. 17. № 2. P. 179–191. Feb.  DOI: 10.1016/j.jcmg.2023.07.014.
9. Nowak S. et al. Deep learning-based assessment of CT markers of sarcopenia and myosteatosis for outcome assessment in patients with advanced pancreatic cancer after high-intensity focused ultrasound treatment // Eur. Radiol. Aug. 2023. V. 34. № 1. P. 279–286. DOI: 10.1007/s00330-023-09974-6.
10. Cruz-Jentoft A.J. et al. Sarcopenia: revised European consensus on definition and diagnosis // Age Ageing. 2019. V. 48. № 1. P. 16–31.
11. Naruse M., Trappe S., Trappe T. A. Human skeletal muscle size with ultrasound imaging: a comprehensive review // J. Appl. Physiol. May 2022. V. 132. № 5. P. 1267–1279. DOI: 10.1152/japplphysiol.00041.2022.
12. Zheng Y.P., Chan M.M.F., Shi J., Chen X., Huang Q.H. Sonomyography: monitoring morphological changes of forearm muscles in actions with the feasibility for the control of powered prosthesis // Med. Eng. Phys. June 2006. V. 28. № 5. P. 405–415. DOI: 10.1016/j.medengphy.2005.07.012.
13. Nazari V., Zheng Y.-P. Controlling Upper Limb Prostheses Using Sonomyography (SMG) // A Review Sensors. Jan. 2023. V. 23.
    № 4. P. 1885. DOI: 10.3390/s23041885.
14. Shenbagam M. et al. A Sonomyography-based Muscle Computer Interface for Individuals with Spinal Cord Injury. 2023. Aug. 02. arXiv: arXiv:2308.06278. DOI: 10.48550/arXiv.2308.06278.
15. Goncharsky A.V., Romanov S.Y., Seryozhnikov S.Y. A computer simulation study of soft tissue characterization using low-frequency ultrasonic tomography // Ultrasonics, 2016. V. 67. P. 136–150. DOI: 10.1016/j.ultras.2016.01.008’.
16. Zhou C., Jiang T., Xu K., Ta D. Deep Learning-based Ultrasound Computed Tomography for Cortical Bone Imaging // In 2023 IEEE International Ultrasonics Symposium (IUS), Sept. 2023. P. 1–4. DOI: 10.1109/IUS51837.2023.10307403.
17. Makeeva D.S., Yakim M.Y., Kobelev A.V., Shchukin S.I. Machine Learning Techniques for Muscle Contraction Detection based on Electrical Impedance Measurements // In 2025 IEEE Ural-Siberian Conference on Biomedical Engineering, Radioelectronics and Information Technology (USBEREIT) // IEEE. 2025. P. 217–220. Accessed: Dec. 15, 2025. [Online]. Available: https://ieeexplore.ieee.org/abstract/document/11054190/.
18. Ellis H., Logan B.M., Dixon A.K. Human Sectional Anatomy: Atlas of body sections, CT and MRI images. 3rd edn. // Ann. R. Coll. Surg. Engl. Mar. 2010. V. 92, № 2, P. 178–179. DOI: 10.1308/rcsann.2010.92.2.178b.