РАСПОЗНАВАНИЕ ЭЛЕКТРОМИОГРАММЫ ПРЕДПЛЕЧЬЯ И ВЫБОР ЖЕСТОВ ДЛЯ УПРАВЛЕНИЯ ПРОТЕЗОМ

Актуальность настоящего исследования обусловлена одной из главных проблем, существующих на сегодня области построения интерфейсов человек-машина – это создание эффективной системы управления, непосредственно взаимодействующей с пользователем и внешними устройствами замещения функций (протезы, инвалидные коляски и т.д.). В связи с этим, данная работа посвящена исследованию возможности использования физиологичных жестов из повседневной жизни человека для управления протезом при сохранности предплечья не менее чем на треть. Ведущим подходом к исследованию данной проблемы является применение методов статистической обработки экспериментальных данных, цифровой обработки сигналов, алгоритмов машинного обучения и распознавания образов. Данный подход позволяет комплексно исследовать электромиограмму (ЭМГ) предплечья при совершении произвольных движений на разных уровнях реализации системы миоуправления. В статье представлены результаты исследования ЭМГ, записанной для 11 произвольных движений с группы испытуемых, описана процедура предобработки ЭМГ и выделение характерных признаков для распознавания сигнала, раскрыт способ классификации движений посредством искусственной нейронной сети на основе радиальных базисных функций (РБФ). Были выявлены восемь наиболее пригодных для классификации движений и ранжированы по точности классификации: расслабление (как нулевое движение), раскрытие кисти, кулак, сгибание кисти, супинация кисти, разгибание кисти, пронация кисти, щепоть. Материалы статьи представляют практическую ценность для построения систем, основанных на интерфейсе «человек-машина», а также для задач классификации в приложениях электрофизиологии.

1. Pylatiuk C., Mueller-Riederer M., Kargov A., S. Schulz, O. Schill, M. Reischl, G.Bretthauer, Comparison of surface EMG monitoring electrodes for long-termuse in rehabilitation device control, in: IEEE 11th International Conference onRehabilitation Robotics, vols. 1 and 2, ICORR, Kyoto, Japan, June 23–26, 2009,pp. 348–352, http://dx.doi.org/10.1109/ICORR.2009.5209576;

2. Способ и система управления интеллектуальной бионической конечностью [Текст]: пат. RU2635632C1; Иванюк Н.М., Каримов В.Р., Будко Р.Ю., Гронский П.В., Клейман С.М.;

3. Oskoei M.A., Hu H., Myoelectric control systems – a survey, Biomed.Signal Process. Control (2007) 275–294, http://dx.doi.org/10.1016/j.bspc.2007.07.009;

4. Большаков В. А., Буров Г. Н. К вопросу формирования системы управления протезом при ампутационных дефектах в пределах предплечья // Вестник всероссийской гильдии протезистов-ортопедов № 58, 2014;

5. Phinyomark A., Phukpattaranont P., Limsakul C., Investigating long-term effects of feature extraction methods for continuous EMG pat-tern classification, Fluct. Noise Lett. 11 (4.) (2012), http://dx.doi.org/10.1142/S0219477512500289;

6. Kim K.S., Kang J.H., Lee Y.H., Thedevelopment of muscle training system using the electromyogram andinteractive game for physical rehabilitation, in: 5th Kuala LumpurInternational Conference on Biomedical Engineering 2011, IFMBE Proceed-ings, vol. 35, Kuala Lumpur, Malaysia, June 20– 23, 2011, pp. 801–804, http://dx.doi.org/10.1007/978-3-642-21729-6 196;

7. Young, J. Aaron, L.J. Hargrove, T.A. Kuiken, Improving myoelectric patternrecognition robustness to electrode shift by changing interelectrode distanceand electrode configuration, IEEE Trans. Biomed. Eng. 59 (3) (2012) 645–652, http://dx.doi.org/10.1109/TBME.2011.2177662;

8. Van den Broek EL, Lis'y V, Janssen JH, Westerink JHDM, Schut MH, Tuinenbreijer K: Affective Man-machine Interface: Unveiling human emotions through biosignals. Biomedical Engineering Systems and Technologies: Communications in Computer and Information Science. Berlin, Germany: Springer Verlag; 2010;

9. Maria C. Selection of suitable hand gestures for reliable myoelectric human computer interface / Maria Castro, Sridhar P Arjunan, Dinesh K Kumar // BioMedical Engineering OnLine. - 2015. - 14:30 (9 April 2015) available at: http://www.biomedical-engineering-online.com/content/14/1/30;

10. Будко Р.Ю., Старченко И.Б. Создание классификатора мимических движений на основе анализа электромиограммы // Труды СПИИРАН. 2016. Вып. 46. С. 76-89;

11. Budko R., Starchenko I., Budko A. Preprocessing data for facial gestures classifier on the basis of the neural network analysis of biopotentials muscle signals. Lecture Notes in Computer Science. 2016. Т. 9812. Springer, С. 163-171.