Классификация движений искусственной нейронной сетью для управления бионической кистью

Обложка

Цитировать

Полный текст

Аннотация

Приведены результаты обучения и тестирования искусственной нейронной сети распознаванию движений пальцев кисти человека на основе сигналов с электромиографических датчиков. Особое внимание уделено вопросам предварительной обработки исходных сигналов, включающей в себя цифровую фильтрацию, задание оптимального уровня, соответствующего состоянию покоя мышцы, и вычислению признаков сигналов. В статье огибающая электромиографического сигнала строилась на основе признака «средней энергии», а определение участков мышечной активности осуществлялось с помощью двух порогов: адаптивного по уровню и фиксированного по времени. Непосредственно для обучения искусственной нейронной сети используются три признака, которые определяются в зависимости от требований к качеству обучения, либо по показателю различимости, либо полным перебором сочетаний признаков. Оптимизация набора признаков для обучения искусственной нейронной сети позволила достичь уровня правильных ответов более 97%.

Об авторах

Вячеслав Феоктистович Безъязычный

Рыбинский государственный авиационный технический университет им. П.А. Соловьёва

Автор, ответственный за переписку.
Email: technology@rsatu.ru

доктор технических наук, профессор кафедры «Инновационное машиностроение», главный научный сотрудник инжинирингового центра «Цифровое энергомашиностроение»

Россия, Рыбинск

Алексей Викторович Юдин

Рыбинский государственный авиационный технический университет им. П.А. Соловьёва

Email: judinav@mail.ru

доктор технических наук, доцент, заведующий кафедры «Электротехника и промышленная электроника», главный научный сотрудник инжинирингового центра «Цифровое энергомашиностроение»

Россия, Рыбинск

Максим Валериевич Панкратов

Рыбинский государственный авиационный технический университет им. П.А. Соловьёва; ООО НПП «БиоТех»

Email: pankratov_m_v@mail.ru

ведущий научный сотрудник инжинирингового центра «Цифровое энергомашиностроение», Рыбинский государственный авиационный технический университет имени П.А. Соловьева, ведущий научный сотрудник

Россия, Рыбинск; Рыбинск

Евгений Александрович Елисеичев

Рыбинский государственный авиационный технический университет им. П.А. Соловьёва; ООО НПП «БиоТех»

Email: EvgenijEliseichev@yandex.ru

доцент кафедры «Электротехника и промышленная электроника», ведущий научный сотрудник инжинирингового центра «Цифровое энергомашиностроение», директор

Россия, Рыбинск; Рыбинск

Павел Сергеевич Воробьев

Рыбинский государственный авиационный технический университет им. П.А. Соловьёва; ООО НПП «БиоТех»

Email: vorobps@gmail.com

младший научный сотрудник инжинирингового центра «Цифровое энергомашиностроение», младший научный сотрудник

Россия, Рыбинск; Рыбинск

Илья Сергеевич Блинов

Рыбинский государственный авиационный технический университет им. П.А. Соловьёва; ООО НПП «БиоТех»

Email: ilya.blinov.1998@mail.ru

младший научный сотрудник инжинирингового центра «Цифровое энергомашиностроение», младший научный сотрудник

Россия, Рыбинск; Рыбинск

Список литературы

  1. Безъязычный В.Ф., Елисеичев Е.А., Воробьев П.С., Михайлов В.В., Тяптин А.А. Обзор способов считывания ЭМГ-сигналов в области предплечья для управления бионическими протезами верхних конечностей // Биомедицинская радиоэлектроника. 2023. Т. 26. № 1. С. 35-44.
  2. Carvalho C.R., Fernández J.M., del-Ama A.J., Oliveira Barroso F., Moreno J.C. Review of electromyography onset detection methods for real-time control of robotic exoskeletons // Journal of NeuroEngineering and Rehabilitation. 2023. V. 20. No 1. P. 141-156.
  3. Noce E., Dellacasa Bellingegni A., Ciancio A.L,, Sacchetti R., Davalli A., Guglielmelli E., Zollo L. EMG and ENGenvelope pattern recognition for prosthetic hand control // Journal of Neuroscience Methods. 2018. V. 311. P. 38-46.
  4. Solnik S., Rider P., Steinweg K., DeVita P., Hortobagyi T. Teager–Kaiser energy operator signal conditioning improves EMG onset detection // European journal of applied physiology. 2010. V. 110. No 3. P. 489-498.
  5. Yang D., Huang Q., Yang W., Liu H. EMG Onset Detection Based on Teager–Kaiser Energy Operator and Morphological Close Operation // International Conference on Intelligent Robotics and Applications (ICIRA). 2015. V. 8103. P. 257-268.
  6. Ozgunen K., Umut C., Kurdak S. Determination of an Optimal Threshold Value for Muscle Activity Detection in EMG Analysis // Journal of sports science & medicine. 2010. V. 9. No 4. P. 620-628.
  7. Qizhu S., Yining S., Xiangfeng D., Zuchang M. Onset determination of muscle contraction in surface electromyography signals analysis // IEEE International Conference on Information Acquisition. 2005. P. 3957–3962.
  8. Perez A.C. Design strategies for detecting action potentials in actions based on movements. Madrid: Universidad Politecnica de Madrid, 2018.
  9. Morantes G., Fernandez G., Altuve M. A Threshold-Based Approach for Muscle Contraction Detection From Surface EMG Signals // IX International Seminar on Medical Information Processing and Analysis. 2013. V. 8922.
  10. Jubany J., Angulo-Barroso R. An algorithm for detecting EMG onset/offset in trunk muscles during a reactionstabilization test // Journal of back and musculoskeletal rehabilitation. 2015. V. 29. No 2. P. 219-230.
  11. De Marchis C., Schmid M., Conforto S. An optimized method for tremor detection and temporal tracking through repeated second order moment calculations on the surface EMG signal // Medical engineering & physics. 2012. V. 34. No 9. P. 1268-1277.
  12. Uthvag S., Sai P.V., Kumar S.D., Muthusamy H., Chanu O.R., Raj V.K. Real-time EMG acquisition and feature extraction for rehabilitation and prosthesis // Biomedical Engineering: Applications, Basis and Communications. 2019. V. 31. No 5. P. 1950037.
  13. Zhang X., Wang X., Wang B., Sugi T., Nakamura M. Automatic adaptive onset detection using an electromyogram with individual difference for control of a meal assistance robot // Journal of medical engineering & technology. 2009. V. 33. No 4. P. 322-327.
  14. Xu Q., Quan Y., Yang L., He J. An Adaptive Algorithm for the Determination of the Onset and Offset of Muscle Contraction by EMG Signal Processing // IEEE transactions on neural systems and rehabilitation engineering. 2013. V. 21. No 1. P. 65-73.
  15. Unanyan N.N., Belov A.A. Design of upper limb prosthesis using real-time motion detection method based on EMG signal processing // Biomedical Signal Processing and Control. 2021. V 70. P 1-11.
  16. Naseer N., Ali F., Ahmed S., Iftikhar S., Khan R., Gilani S.H. EMG Based Control of Individual Fingers of Robotic Hand // International Conference on Sustainable Information Engineering and Technology (SIET). 2018. P. 6-9.
  17. Phinyomark A. Quaine F. Charbonnier S., Serviere C., Tarpin-Bernard F., Laurillau Y. EMG Feature Evaluation for Improving Myoelectric Pattern Recognition Robustness // Expert Systems with Applications. 2013. V. 40. No 12. P. 4832-4840.
  18. Zhang Z., Yu X., Qian J. Classification of Finger Movements for Prosthesis Control with Surface Electromyography // Sensors and Materials. 2020. V. 32. No 4. P. 1523-1532.
  19. Abbaspour S., Lindén M., Gholamhosseini H., Naber A., Ortiz-Catalan M. Evaluation of surface EMG-based recognition algorithms for decoding hand movements // Medical & Biological Engineering & Computing. 2019. V. 58. No 8. P. 83-100.
  20. Phinyomark A., Khushaba R., Scheme E. Feature Extraction and Selection for Myoelectric Control Based on Wearable EMG Sensors // Sensors. 2018. V. 18. No 5. P. 1615-1631.
  21. Bhagwat S., Mukherji P. Electromyogram (EMG) based fingers movement recognition using sparse filtering of wavelet packet coefficients // Sādhanā. 2020. V. 45. No 1. P. 1-11.
  22. Mahmood N., Al Muifraje M., Saeed T., Kaittan, A. Upper Prosthetic Design based on EMG: A Systematic Review // IOP Conference Series: Materials Science and Engineering. 2020. V. 978. No 1. P. 012025.
  23. Phinyomark A., Phukpattaranont P., Limsakul C. Feature Reduction and Selection for EMG Signal Classification // Expert Systems with Applications. 2012. V. 39. No 8. P. 7420-7431.
  24. Безъязычный В. Ф., Елисеичев Е. А., Блинов И. С., Михайлов В. В., Тяптин А.А. Определение оптимального набора схватов для протезов предплечья с биоэлектрическим управлением // Физическая и реабилитационная медицина. 2023. Т. 5. № 3. C. 59-65.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».