ISSN 0021-3454 (печатная версия)
ISSN 2500-0381 (онлайн версия)
Меню

7
Содержание
том 63 / Июль, 2020
СТАТЬЯ

DOI 10.17586/0021-3454-2019-62-12-1098-1104

УДК 612.743, 612.817.2

МЕТОДЫ АНАЛИЗА ЭЛЕКТРОМИОГРАММЫ РУКИ

Будко Р. Ю.
Южный Федеральный Университет, Институт нанотехнологий, элек-троники и приборостроения;


Чернов Н. Н.
Южный Федеральный Университет, Институт нанотехнологий, электроники и приборостроения; ;


Будко Н. А.
Южный Федеральный Университет, Институт нанотехнологий, электроники и приборостроения ;


Аннотация. Сравнивается эффективность алгоритмов сверточной нейронной сети (СНС) и радиальной базисной функции (РБФ) при обработке полученных на протяжении нескольких дней электромиограмм предплечья. В качестве входных данных использован предобработанный сигнал, в качестве входного вектора признаков для необработанных данных — алгоритм СНС. Показано, что оба метода имеют перспективу для использования в задачах управления устройствами. Алгоритм СНС способен распознавать характерные признаки ЭМГ без предварительной обработки сигнала, несмотря на их стохастический характер. Это позволяет обеспечить выбор признаков или преобразование сигнала перед классификацией. Метод классификации данных с предобработкой показал большую точность распознавания для РБФ. Получена выраженная зависимость точности распознавания от испытуемого и от времени между получением выборок. Таким образом, хотя алгоритм СНС показал хорошие результаты для необработанного ЭМГ-сигнала, достичь устойчивой производительности позволила обучающая выборка с многодневными данными, что вносит ограничения на его использование в клинических системах.
Ключевые слова: электромиограмма, биоуправление, интерфейс, машинное обучение, искусственные нейронные сети

Список литературы:
  1. Biron K., Englehart K. EMG pattern recognition adaptation // Proc. of the 18th Congress of the Intern. Society of Electrophysiology and Kinesiology. Aalborg, Denmark, 16—19 June 2010.
  2. He J., Zhang D., Jiang N., Sheng X., Farina D. User adaptation in long-term, open-loop myoelectric training: Implications for EMG pattern recognition in prosthesis control // J. HeJ. Neural Eng. 2015. N 12.
  3. Zia ur Rehman M., Gilani S., Waris A., Niazi I., Slabaugh G., Farina D., Kamavuako E. Stacked sparse autoencoders for EMG-based classification of hand motions: A comparative multi day analyses between surface and intramuscular EMG // Appl. Sci. 2018. Vol. 8, N 7. DOI: 10.3390/app8071126.
  4. Rehman Z. U. et al. Multiday EMG-Based Classification of Hand Motions with Deep Learning Techniques // Sensors. 2018. Vol. 18, N 8. DOI: 10.3390/s18082497.
  5. Lee S., Kruse J. Biopotential electrode sensors in ECG/EEG/EMG systems // Analog Devices. 2008. Vol. 200. Р. 1—2.
  6. Mendez I., Hansen B. W., Grabow C. M., Smedegaard E. J., Skogberg N. B., Uth X. J., Bruhn A., Geng B., Kamavuako E. N. Evaluation of the myo armband for the classification of hand motions // Proc. of the 2017 Intern. Conf. on Rehabilitation Robotics (ICORR). London, UK, 17—20 July 2017. P. 1211—1214.
  7. Pizzolato S., Tagliapietra L., Cognolato M., Reggiani M., Müller H., Atzori M. Comparison of six electromyography acquisition setups on hand movement classification tasks // PLoS ONE. 2017. Vol. 12.
  8. Benatti S., Casamassima F., Milosevic B., Farella E., Schönle P., Fateh S., Burger T., Huang Q., Benini L. A versatile embedded platform for EMG acquisition and gesture recognition // IEEE Trans. Biomed. Circuits Syst. 2015. Vol. 9. Р. 620—630.
  9. Amirabdollahian F., Walters M. Application of support vector machines to detect hand and wrist gestures using a myoelectric armband // Proc. of the Intern. Conf. on Rehabilitation Robotics (ICORR2017). London, UK, 17—21 July 2017.
  10. Montoya M., Henao O., Munoz J. Muscle fatigue detection through wearable sensors: A comparative study using the myo armband // Proc. of the XVIII Intern. Conf. on Human Computer Interaction. Cancun, Mexico, 25—27 September 2017.
  11. Masson S., Fortuna F., Moura F., Soriano D. Integrating myo armband for the control of myoelectric upper limb prosthesis // Proc. of the XXV Congresso Brasileiro de Engenharia Biomédica. Rio de Janeiro, Brazil, 17—20 October 2016.
  12. Boyali A., Hashimoto N., Matsumoto O. Hand posture and gesture recognition using myo armband and spectral collaborative representation based classification // Proc. of the 2015 IEEE 4th Global Conf. on Consumer Electronics (GCCE). Osaka, Japan, 27—30 October 2015. P. 200—201.
  13. Будко Р. Ю., Чернов Н. Н. Распознавание электромиограммы предплечья и выбор жестов для управления протезом // Моделирование, оптимизация и информационные технологии. 2019. Т. 7, № 1. С. 54—66.
  14. Пат. 2635632C1 РФ. Способ и система управления интеллектуальной бионической конечностью / Н. М. Ива-нюк, В. Р. Каримов, Р. Ю. Будко, П. В. Гронский, С. М. Клейман. Опубл. 11.14.2017.
  15. 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. Springer, 2016. Vol. 9812. Р. 163—171.
  16. Будко Р. Ю., Старченко И. Б. Создание классификатора мимических движений на основе анализа электромиограммы // Тр. СПИИРАН. 2016. Вып. 46. С. 76—89.
  17. Atzori M., Cognolato M., Müller H. Deep learning with convolutional neural networks applied to electromyography data: A resource for the classification of movements for prosthetic hands // Front. Neurorobot. 2016. Vol. 10. Art. 9. DOI: 10.3389/fnbot.2016.00009.
  18. Saichon J., Chidchanok L., Suphakant P. A very fast neural learning for classification using only new incoming datum // IEEE Trans. Neural Netw. 2010. Vol. 21, N 3. Р. 381—392.