Алгоритмические стратегии обработки сигналов ЭМГ для обеспечения бионического управления протезами верхних конечностей
- 1,2,4,5,6 Московский государственный технический университет им. Н.Э. Баумана (Москва, Россия)
- 3 Научно-технологический университет «Сириус» (Федеральная территория «Сириус», Россия)
Аннотация
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.
- Поступила
- 30.09.2024
- Одобрена
- 14.10.2024
- Принята
- 20.11.2024
Для цитирования
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
Список источников
- 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
- 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
- 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
- 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
- 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
- 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.
- SENIAM project // Hermens H.J., Freriks B. URL: http://www.seniam.org (дата обращения: 05.04.2024).
- 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.
- 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.
- 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
- 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
- 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
- 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
- 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
- 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