Исследование методов обработки электромиографического сигнала в задаче управления протезом верхней конечности

Авторы: Шестопалов Д.О., Маркова М.В.
Опубликовано в выпуске: #9(26)/2018
DOI: 10.18698/2541-8009-2018-9-382
Раздел: Медицинские науки | Рубрика: Медицинское оборудование и приборы
Ключевые слова: электромиография, цифровая обработка сигнала, временная область, моторика протеза, эффективность метода, протез верхней конечности, искусственная конечность
Опубликовано: 02.10.2018

Рассмотрен ряд современных методов обработки сигнала электромиографии в задачах управления протезом верхней конечности. В качестве исследуемых выбраны параметры временной области, вычислительная сложность алгоритмов оценки которых является минимальной. Сигнал был зарегистрирован на пациенте, который выполнил шесть движений. Методы обработки сигнала электромиограммы исследованы с помощью пакета прикладных программ MATLAB. Выбор наиболее информативных параметров является необходимой составляющей разработки алгоритма управлением искусственной конечностью, поскольку благодаря правильной обработке сигнала можно управлять параметрами протеза верхней конечности, например, силой сжатия кисти.

Литература

[1] Сафин Д.Р. Информационно-измерительная система управления биоэлектрическим протезом. Автореф. дисc. ... канд. тех. наук. Уфа, Астрахан. гос. ун-т, 2011, 22 с.

[2] Tkach D., Huang H., & Kuiken T.A. Study of stability of time-domain features for electromyographic pattern recognition. Journal of NeuroEngineering and Rehabilitation, 2010, vol. 7, no. 21. URL: https://jneuroengrehab.biomedcentral.com/articles/10.1186/1743-0003-7-21.

[3] Phinyomark A., Phukpattaranont P., Limsakul C. Investigating longterm effects of feature extraction methods for continuous EMG pattern classification. Fluctuation and Noise Letters, 2012, vol. 11, no. 4, art. 1250028.

[4] Phinyomark A., Phukpattaranont P., Limsakul C. Feature reduction and selection for EMG signal classification. Expert Systems with Applications, 2012, vol. 39, no. 8, pp. 7420–7431.

[5] Kim K.S., Choi H.H., Moon C.S., Mun C.W. Comparison of k-nearest neighbor, quadratic discriminant and linear discriminant analysis in classification of electromyogram signals based on the wrist-motion directions. Current Applied Physics, 2011, vol. 11, no. 3, pp. 740–745.

[6] Oskoei M.A., Hu H. Support vector machine-based classification scheme for myoelectric control applied to upper limb. IEEE Transactions on Biomedical Engineering, 2008, vol. 55, no. 8, pp. 1956–1965.

[7] Yang D., Zhao J., Jiang L., Liu H. Dynamic hand motion recognition based on transient and steady-state EMG signals. International Journal of Humanoid Robotics, 2012, vol. 9, no. 1, art. 1250007.

[8] Zhang X., Chen X., Zhao Z.Y., Li Q., Yang J.H., Lantz V., Wang K.Q. An adaptive feature extractor for gesture SEMG recognition. Int. Conf. on Medical Biometrics, 2008, pp. 83–90.

[9] Zhao J., Jiang L., Cai H., Liu H., Hirzinger G. A novel EMG motion pattern classifier based on wavelet transform and nonlinearity analysis method. Proc. IEEE Int. Conf. on Robotics and Biometrics, 2006, pp. 1494–1499.

[10] Oskoei M.A., Hu H. Myoelectric control systems – a survey. Biomedical Signal Processing and Control, 2007, vol. 2, no. 4, pp. 275–294.

[11] Phinyomark A., Nuidod A., Phukpattaranont P., Limsakul C. Feature extraction and reduction of wavelet transform coefficients for EMG pattern classification. Elektronika i Elektrotechnika, 2012, vol. 122, no. 6, pp. 27–32.

[12] Hahne J.M., Dähne S., Hwang H.J., Müller K.R., Parra L.C. Concurrent adaptation of human and machine improves simultaneous and proportional myoelectric control. IEEE Trans. Neural Syst. Rehabil. Eng., 2015, vol. 23, no. 4, pp. 618–627.