В.В. Каправчук1, О.А. Стребков2, А.А. Зоткина3, А.Н. Брико4, М.М. Балашов5, М.Ю. Синцов6

1,2,3,4,5,6 Научный центр мирового уровня «Центр кибернетической медицины и нейропротезирования», ФГБУ Федеральный центр мозга и нейротехнологий ФМБА России (Москва, Россия)

1,4 ФГАОУ ВО «МГТУ им. Н.Э. Баумана» (Москва, Россия)

1 kapravchuk@bmstu.ru

Постановка проблемы. Мультимодальные системы биоуправления, объединяющие электромиографию (ЭМГ) и электроимпедансную миографию (ЭИМ), перспективны для управления бионическими протезами. Однако качество регистрируемых сигналов зависит от индивидуальной анатомии, толщины подкожно-жировой клетчатки, смещения мышц при сокращении и степени прижатия электродов. Традиционные методы позиционирования датчиков, основанные на пальпации или эквидистантном размещении, не учитывают морфофункциональные особенности тканей, что снижает точность распознавания жестов и требует частой перекалибровки системы.

Цель. Провести оценку эффективности УЗИ-ассистированного позиционирования мультимодальных ЭМГ- и ЭИМ-датчиков для повышения точности и воспроизводимости распознавания жестов, включая движения мелкой моторики.

Результаты. Проведено исследование с участием здоровых добровольцев, в ходе которого электродные системы первоначально размещались эквидистантно, затем их положение корректировалось по данным ультразвуковой визуализации активных мышечных структур. Для оценки качества классификации жестов определены метрики эффективности алгоритма биоуправления. Подтверждено, что на тестовой выборке УЗИ-ассистированный монтаж обеспечил улучшение расчетных показателей не менее чем на 5% по сравнению с эквидистантным размещением миографических датчиков. Установлено, что наиболее выраженное повышение точности наблюдалось при распознавании движений пальцев.

Практическая значимость. УЗИ-навигация позволяет персонализировать размещение электродных систем с учетом индивидуальной анатомии пользователя и повысить надежность мультимодальных интерфейсов биоуправления. Предложенный подход может применяться как дополнительный диагностический этап при настройке бионических протезов и других реабилитационных устройств.

Каправчук В.В., Стребков О.А., Зоткина А.А., Брико А.Н., Балашов М.М., Синцов М.Ю. Исследование влияния УЗИ-ассистированного позиционирования электродных систем в мультимодальных системах ЭМГ/ЭИМ с целью повышения точности распознавания жестов // Биомедицинская радиоэлектроника. 2026. Т. 29. № 6. С. 80−84. DOI: https://doi.org/10.18127/j15604136-202606-14

1. Qiu F., Liu X., Ye X. Influence of electrode placement on the recognition of different gesture categories using high-density sEMG // Front. Neurosci. Frontiers. 2025. V. 19. P. 1750792.
2. Pale U. et al. Variability of muscle synergies in hand grasps: analysis of intra- and inter-session data // Sens. Multidisciplinary Digital Publishing Institute. 2020. V. 20. № 15. P. 4297.
3. Donnelly T. et al. A method for locating surface electromyography electrodes on the flexor carpi ulnaris // J. Electromyogr. Kinesiol. Elsevier, 2025. V. 82. P. 103010.
4. Olsen C.D. et al. Centimeter differences in wrist electrode placement significantly impact myoelectric performance // 2025 47th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC). IEEE. 2025. P. 1–7.
5. Pelaez Murciego L. et al. Reducing the number of EMG electrodes during online hand gesture classification with changing wrist positions // J. NeuroEng. Rehabil. 2022. V. 19. № 1. P. 78.
6. Rostamjoud F. et al. Improving electromyography electrode placement accuracy in transtibial amputees: a comparative study of ultrasound and palpation methods // IEEE Trans. Neural Syst. Rehabil. Eng. IEEE. 2025. V. 33. P. 133–139.
7. Yoo H.-J., Park H., Lee B. Myoelectric signal classification of targeted muscles using dictionary learning // Sensors. MDPI, 2019. V. 19. № 10. P. 2370.
8. Ngo C. et al. A wearable, multi-frequency device to measure muscle activity combining simultaneous electromyography and electrical impedance myography // Sens. Multidisciplinary Digital Publishing Institute, 2022. V. 22. № 5. P. 1941.
9. Kapravchuk V. et al. An approach to using electrical impedance myography signal sensors to assess morphofunctional changes in tissue during muscle contraction // Biosensors. Multidisciplinary Digital Publishing Institute, 2024. V. 14. № 2. P. 76.
10. 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.