RU2683859C1 - Method and system for controlling electronic devices by electromyographic reading device - Google Patents
Method and system for controlling electronic devices by electromyographic reading device Download PDFInfo
- Publication number
- RU2683859C1 RU2683859C1 RU2017146206A RU2017146206A RU2683859C1 RU 2683859 C1 RU2683859 C1 RU 2683859C1 RU 2017146206 A RU2017146206 A RU 2017146206A RU 2017146206 A RU2017146206 A RU 2017146206A RU 2683859 C1 RU2683859 C1 RU 2683859C1
- Authority
- RU
- Russia
- Prior art keywords
- emg
- signal
- electromyographic
- actuator
- user
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 28
- 210000002569 neuron Anatomy 0.000 claims abstract description 24
- 239000011521 glass Substances 0.000 claims abstract description 13
- 230000005540 biological transmission Effects 0.000 claims abstract description 11
- 230000009471 action Effects 0.000 claims abstract description 9
- 239000006185 dispersion Substances 0.000 claims abstract description 8
- 230000011218 segmentation Effects 0.000 claims abstract description 7
- 230000000694 effects Effects 0.000 claims abstract description 6
- 230000003183 myoelectrical effect Effects 0.000 claims description 32
- 210000000245 forearm Anatomy 0.000 claims description 14
- 230000002232 neuromuscular Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 244000309466 calf Species 0.000 claims 1
- 238000013480 data collection Methods 0.000 claims 1
- 210000002414 leg Anatomy 0.000 claims 1
- 210000000689 upper leg Anatomy 0.000 claims 1
- 230000006870 function Effects 0.000 abstract description 17
- 230000007659 motor function Effects 0.000 abstract description 2
- 239000003814 drug Substances 0.000 abstract 1
- 239000000126 substance Substances 0.000 abstract 1
- 239000013598 vector Substances 0.000 description 27
- 238000012549 training Methods 0.000 description 19
- 210000003414 extremity Anatomy 0.000 description 13
- 238000004891 communication Methods 0.000 description 12
- 210000003205 muscle Anatomy 0.000 description 10
- 238000013461 design Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 8
- 210000003813 thumb Anatomy 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 230000001276 controlling effect Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 210000003811 finger Anatomy 0.000 description 5
- 241000282414 Homo sapiens Species 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 210000005224 forefinger Anatomy 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000004118 muscle contraction Effects 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 239000011664 nicotinic acid Substances 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 210000004247 hand Anatomy 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 210000002027 skeletal muscle Anatomy 0.000 description 2
- 229910001220 stainless steel Inorganic materials 0.000 description 2
- 239000010935 stainless steel Substances 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 206010019468 Hemiplegia Diseases 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 208000023178 Musculoskeletal disease Diseases 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002567 electromyography Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000002346 musculoskeletal system Anatomy 0.000 description 1
- 210000001087 myotubule Anatomy 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 210000001428 peripheral nervous system Anatomy 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 210000001364 upper extremity Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
- A61F4/00—Methods or devices enabling patients or disabled persons to operate an apparatus or a device not forming part of the body
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Vascular Medicine (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
Description
ОБЛАСТЬ ТЕХНИКИFIELD OF TECHNOLOGY
Данное техническое решение относится к области игровых устройств и медицинской техники, а именно к реабилитации, в частности, к способам и системам для управления различными устройствами, и предназначено для игровых приспособлений и реабилитации людей с потерей конечности, с заболеваниями, приводящими к нарушениям опорно-двигательного аппарата и костно-мышечной системы, а также для использования частей изделия независимо в различных задачах улучшения качества жизни.This technical solution relates to the field of gaming devices and medical equipment, namely, rehabilitation, in particular, to methods and systems for controlling various devices, and is intended for gaming devices and rehabilitation of people with loss of limb, with diseases leading to musculoskeletal disorders apparatus and musculoskeletal system, as well as for using parts of the product independently in various tasks to improve the quality of life.
УРОВЕНЬ ТЕХНИКИBACKGROUND
Существующие в настоящее время системы управления виртуальной реальностью или игровыми устройствами, включают, как правило, двигатели, датчики, контроллеры, источники питания, механические и электрические разъемы, интерфейсы и механизмы обратной связи, все из которых являются дополнительными аксессуарами.Existing virtual reality or gaming devices management systems typically include motors, sensors, controllers, power supplies, mechanical and electrical connectors, interfaces and feedback mechanisms, all of which are optional accessories.
Известен способ и система для идентификации жестов, описанная в US 20150370333 A1, 24.12.2015. Система для идентификации жестов включает по меньшей мере один датчик, реагирующий на выполняемые пользователем жесты и процессор, коммуникативно соединенные, по меньшей мере, с одним датчиком. Способ идентификации жестов включает: получение по меньшей мере, один сигнал от, по меньшей мере, одного датчика на процессор; сегментирование, по меньшей мере, одного сигнала в окна данных; для каждого окна данных, по меньшей мере, одно подмножество окон данных: определение класса окна для окна данных процессором, класс окна выбирается процессором из библиотеки классов окон, где каждый класс окна в библиотеке оконных классов исключительно характеризует по меньшей мере, одно свойство окна данных; определение процессором соответствующей вероятности того, что каждый жест в библиотеке жестов является выполняемым пользователем жестом на основе а) класс окна для окна данных, когда i > 1, б) класс окна для окна данных, где j<i; идентификация высокой вероятности жеста для окна данных процессором, соответствующему жесту в библиотеке жестов, который имеет самую высокую вероятность того, что пользователем осуществляется определенный жест. Отличительной чертой от текущего патента является отсутствие использования нейронных сетей, сфера применения прибора, а также технология работы, в том числе беспроводная передача данных, так как текущий патент предполагает осуществление обработки данных на распознающем устройстве.A known method and system for identifying gestures described in US 20150370333 A1, 12.24.2015. The system for identifying gestures includes at least one sensor responsive to user-made gestures and a processor communicatively connected to at least one sensor. A gesture identification method includes: receiving at least one signal from at least one sensor per processor; segmenting at least one signal into data windows; for each data window, at least one subset of data windows: determining the window class for the data window by the processor, the window class is selected by the processor from the window class library, where each window class in the window class library exclusively characterizes at least one property of the data window; determination by the processor of the corresponding probability that each gesture in the gesture library is a user-executed gesture based on a) the window class for the data window, when i> 1, b) the window class for the data window, where j <i; identification of a high probability of a gesture for the data window by the processor, corresponding to a gesture in the gesture library, which has the highest probability that the user performs a certain gesture. A distinctive feature of the current patent is the lack of use of neural networks, the scope of the device, as well as the technology of work, including wireless data transmission, since the current patent involves processing data on a recognition device.
Также известен способ и система для управления устройством на основе жестов, описанный в US 2015-0261306 A1, 17.09.2015. Система управления устройством на основе жестов выполнена с возможностью установки беспроводного соединения между управляющим устройством на основе жестов и конкретным принимающим устройством, причем устройство управления на основе жестов включает в себя процессор, по меньшей мере один датчик, соединенный с возможностью взаимодействия с процессором, и беспроводной передатчик, коммуникативно соединенный с процессором. Способ управления устройством на основе жестов содержит этапы: обнаружение первого жеста, выполняемого пользователем устройства управления на основе жестов, по меньшей мере, одним датчиком, первый жест регистрируется первым принимающим устройством, идентифицируется процессором; первое приемное устройство, с которым пользователь желает взаимодействовать на основе распознанного первого жеста; конфигурирование, с помощью процессора, первого сигнала для использования только первым приемным устройством; и беспроводной способ передачи первого сигнала в первом приемном устройстве с помощью беспроводного передатчика. Отличительной чертой от текущего патента является отсутствие использования нейронных сетей, сфера применения прибора, а также технология работы, так как текущий патент предполагает осуществление обработки данных на распознающем устройстве.Also known is a method and system for controlling a gesture-based device described in US 2015-0261306 A1, 09/17/2015. The gesture-based device control system is configured to establish a wireless connection between the gesture-based control device and the specific receiving device, the gesture-based control device including a processor, at least one sensor coupled to interact with the processor, and a wireless transmitter communicatively connected to the processor. A gesture-based device control method comprises the steps of: detecting a first gesture performed by a user of a gesture-based control device by at least one sensor, the first gesture is registered by the first receiving device, identified by the processor; a first receiving device with which the user wishes to interact based on the recognized first gesture; Configuring, using a processor, a first signal for use only by the first receiving device; and a wireless method for transmitting a first signal at a first receiver using a wireless transmitter. A distinctive feature of the current patent is the lack of use of neural networks, the scope of the device, as well as the operation technology, since the current patent involves the implementation of data processing on a recognition device.
Также известен способ и система управления интеллектуальной бионической конечностью, описанный в RU 2 635 632 C1, 14.12.2016, на основе данного патента были произведены улучшения в части алгоритма по распознаванию схватов, датчиков, а также архитектуры обработки данных, применения нового устройства, а именно управления не бионической конечностью, а как игрового устройства, для виртуальной реальности и не только, новые исследования легли в основу текущего патента.There is also a known method and control system for intellectual bionic limb described in RU 2 635 632 C1, 12/14/2016, based on this patent, improvements were made in terms of the algorithm for recognition of grips, sensors, as well as the architecture of data processing, the use of a new device, namely control not of a bionic limb, but as a gaming device, for virtual reality and not only, new studies formed the basis of the current patent.
В настоящее время существует постоянная потребность в улучшении систем управления и созданий новых подходов в управлении игровыми устройствами и виртуальной реальностью, которые были бы способны использоваться в реабилитации, управлении виртуальной реальностью или игровой системе, именно с данной задачей должны справится предложенные решения.Currently, there is a constant need to improve control systems and create new approaches in the management of gaming devices and virtual reality, which would be able to be used in rehabilitation, virtual reality management or a gaming system; the proposed solutions should cope with this task.
СУЩНОСТЬ ТЕХНИЧЕСКОГО РЕШЕНИЯESSENCE OF TECHNICAL SOLUTION
Техническая проблема, решаемая в данном техническом решении, состоит в осуществлении автономного полнофункционального управления для выполнения низкоуровневых задач манипуляции любым электронным устройством, приспособленным для этого, такими как виртуальная реальность, радиоуправляемые модели, компьютеры и т.д.The technical problem solved in this technical solution consists in the implementation of an autonomous full-featured control for performing low-level tasks of manipulating any electronic device adapted for this, such as virtual reality, radio-controlled models, computers, etc.
Технической задачей технического решения является разработкаThe technical task of the technical solution is to develop
– надежного функционального устройства в виде браслета или другой схожей конструкции системы с обратной связью, управляемого посредством нейромышечных сигналов, (обработка данных и распознавание схватов может происходить, как с участием компьютера или телефона, так и автономно, на самом устройстве);- a reliable functional device in the form of a bracelet or other similar system design with feedback controlled by neuromuscular signals (data processing and recognition of grips can occur both with the participation of a computer or phone, or autonomously, on the device itself);
– способа и системы управления вспомогательным устройством, таким как игровое устройства, виртуальная реальность, компьютер, телефон и т.п.- a method and system for controlling an auxiliary device, such as a gaming device, virtual reality, computer, telephone, etc.
Техническим результатом, проявляющимся при решении указанной технической задачи и проблемы, является повышение точности позиционирования и принятия решения о захвате рукой предмета, а также регистрация более точного движения ногой, положение конечности в пространстве или определение другой двигательной функции.The technical result that manifests itself in solving the indicated technical problem and problem is to increase the accuracy of positioning and make decisions about the capture of a subject by hand, as well as registering more precise foot movements, the position of a limb in space, or the determination of another motor function.
Также дополнительным техническим результатом является уменьшение когнитивной нагрузки на человека, повышение эффективности управления устройствами, снижение времени отклика исполнительных устройств.Also an additional technical result is a decrease in the cognitive load on a person, an increase in the efficiency of device management, and a decrease in the response time of actuators.
Еще одним дополнительным техническим результатом является упрощение процедуры установки и настройки системы «исполнительный механизм-считывающее устройство» за счет модульности системы – считывающее устройство является портативным, и требует примерного позиционирования при размещении, и является легкосъемным. Исполнительный механизм можем выступать в различных видах: это может быть игровым устройством, как радиоуправляемая машинка или дрон, виртуальная реальность, либо программное устройство, компьютер или система для реабилитации, связан со считывающим устройством только беспроводными каналом передачи данных.Another additional technical result is the simplification of the installation and configuration of the system "actuator-reader" due to the modularity of the system - the reader is portable, and requires approximate positioning during placement, and is easily removable. The actuator can come in various forms: it can be a gaming device, such as a radio-controlled machine or drone, virtual reality, or a software device, computer or system for rehabilitation, connected to the reader only with a wireless data transmission channel.
Понижение когнитивной нагрузки на человека и повышение эффективности управления исполнительным механизмом достигается за счет использования гибридной системы управления, которая сочетает в себе способы декодирования электронейромиосигналов (миоэлектрических сигналов) и использование нейросетевой хэш-функции с учителем, по выполнению радов движений конечности человека. Также дополнительные датчики в браслете помогают лучше исполнительным механизмам после калибровки определить положение в пространстве конечности человека, скорости и направления движения.A decrease in the cognitive load on a person and an increase in the efficiency of controlling the actuator are achieved through the use of a hybrid control system that combines decoding methods of electroneuromyosignals (myo-electric signals) and the use of a neural network hash function with a teacher for performing glad human limb movements. Also, additional sensors in the bracelet help better actuators after calibration to determine the position in space of a person’s limbs, speed and direction of movement.
Переданный массив данных на микроконтроллера в исполнительном механизме с возможностью позиционирования конечности в пространстве в режиме реального времени позволяет лучше позиционировать конечность и выполнять необходимые манипуляции в части управления, а также получать обратную связь от исполнительного механизма при необходимости. Также для более точного позиционирования конечности в пространстве используются дополнительные датчики, такие, как например гироскоп и акселерометр.The transmitted data array to the microcontroller in the actuator with the ability to position the limb in space in real time allows you to better position the limb and perform the necessary manipulations in terms of control, as well as receive feedback from the actuator if necessary. Also, for more accurate positioning of the limb in space, additional sensors are used, such as for example a gyroscope and accelerometer.
Использование обратной связи, реализуемой с помощью вибромотора системе считывания, позволяет обезопасить использование исполнительного механизма и передать необходимую информацию из исполнительного механизма.The use of feedback, implemented by means of a vibrating motor reading system, allows you to secure the use of the actuator and transmit the necessary information from the actuator.
Использование беспроводной передачи данных между исполнительным механизмом и системой считывания обеспечивает удобство использования системы и взаимозаменяемость компонентов, кроме того, возможность их использования независимо друг от друга.The use of wireless data transfer between the actuator and the reading system provides the convenience of using the system and the interchangeability of components, in addition, the possibility of their use independently of each other.
Указанный технический результат достигается благодаря способу управления исполнительным механизмом, в котором получают по меньшей мере один ЭМГ-сигнал пациента посредством миоэлектрического устройства считывания; осуществляют обработку по меньшей мере одного ЭМГ-сигнала пользователя посредством перекрывающейся сегментации ЭМГ-сигнала; для каждого сегмента, полученного на предыдущем шаге, формируют набор признаков ЭМГ-сигнала на основе квадрата дисперсии и нейросетевой хэш-функции ЭМГ-сигнала для классификации жестов; передают набор признаков ЭМГ-сигнала каждого сегмента по каналу передачи данных в систему управления исполнительным механизмом; определяют тип жеста на основании набора признаков ЭМГ сигнала посредством использования искусственной нейронной сети и метрического классификатора; формируют управляющий сигнал на основании определенного типа жеста; передают сформированный управляющий сигнал на исполнительный механизм; получают обратную связь от системы управления посредством получения информации от внешних датчиков или алгоритма исполнительного механизма.The specified technical result is achieved due to the method of controlling the actuator, in which at least one EMG signal of the patient is received by means of a myoelectric reader; processing at least one user EMG signal by overlapping segmentation of the EMG signal; for each segment obtained in the previous step, a set of features of the EMG signal is formed based on the dispersion square and the neural network hash function of the EMG signal for classifying gestures; transmitting a set of features of the EMG signal of each segment over the data channel to the actuator control system; determine the type of gesture based on a set of signs of the EMG signal by using an artificial neural network and a metric classifier; generating a control signal based on a certain type of gesture; transmit the generated control signal to the actuator; receive feedback from the control system by obtaining information from external sensors or an actuator algorithm.
СистемаSystem
КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙBRIEF DESCRIPTION OF THE DRAWINGS
Признаки и преимущества настоящего технического решения станут очевидными из приводимого ниже подробного описания и прилагаемых чертежей, на которых:The signs and advantages of this technical solution will become apparent from the following detailed description and the accompanying drawings, in which:
Фиг. 1 (а, б) представляет пример осуществления настройки и функционирования системы управления исполнительным механизмом, в частности, представлены картины от руки, но возможно от ноги и других мест считывания ЭМГ.FIG. 1 (a, b) presents an example of the configuration and functioning of the actuator control system, in particular, paintings are presented by hand, but possibly from the foot and other places where EMG is read.
Фиг. 2 описывает общую структуру технического решения.FIG. 2 describes the general structure of a technical solution.
Фиг. 3 (а, б, в) представляет схему реализации системы управления, в том числе и для исполнительного механизма, для а) реабилитации б) игрового устройства, как пример, радиоуправляемой машинкой, а также блок-схему данной реализации, в) управления виртуальной реальностью.FIG. 3 (a, b, c) presents a diagram of the implementation of the control system, including for the actuator, for a) rehabilitation b) of the gaming device, as an example, a radio-controlled machine, as well as a block diagram of this implementation, c) virtual reality management .
Фиг 4 представляет пример реализации настройки браслета при наличии необходимого функционала в самом браслете, при отсутствии дополнительных функциональных настроек.Fig 4 is an example of the implementation of the settings of the bracelet in the presence of the necessary functionality in the bracelet itself, in the absence of additional functional settings.
Фиг. 5 представляет пример схемы реализации получения данных в виде миоэлектрической системы считывания, конструкция в виде браслета со сменными электродами (поз. 1 – система считывания, поз. 2 – съемный датчик регистрации биопотенциалов, число датчиков может регулироваться, поз. 3 – эластичная манжета), но конструкция может быть и другой, в зависимости от потребности и конечности.FIG. 5 presents an example of a scheme for obtaining data in the form of a myoelectric reading system, a design in the form of a bracelet with replaceable electrodes (item 1 - a reading system, item 2 - a removable biopotential registration sensor, the number of sensors can be adjusted, item 3 - an elastic cuff), but the design may be different, depending on need and limb.
Фиг. 6 показывает составные части системы считывания в виде миоэлектрической системы считывания (поз. 1 и поз. 2) и их примерное расположение на конечности, как пример, руки на плече (поз. 1) или предплечье (поз. 2).FIG. 6 shows the components of the reading system in the form of a myoelectric reading system (pos. 1 and pos. 2) and their approximate location on the limb, as an example, hands on the shoulder (pos. 1) or forearm (pos. 2).
Фиг. 7 показывает пример электромиографического сигнала, зарегистрированного при волевом усилии с мышц предплечья.FIG. 7 shows an example of an electromyographic signal recorded with volitional force from the muscles of the forearm.
Фиг. 8 показывает примерную схему реализации ЭМГ-датчика с использованием более предпочтительного для долговременного использования сухого контакта.FIG. 8 shows an exemplary embodiment of an EMG sensor using a dry contact more preferred for long-term use.
Фиг. 9 - блок-схема входной цепи.FIG. 9 is a block diagram of an input circuit.
Фиг. 10 изображает блок-схему системы распознавания жестов.FIG. 10 is a block diagram of a gesture recognition system.
Фиг. 11 показывает результат пред. обработки сигнала (квадрат дисперсии с последующим контрастированием с помощью сигмоиды).FIG. 11 shows the result before. signal processing (squared dispersion followed by contrast using a sigmoid).
Фиг. 12 (а, б). Примеры исполнительного механизма: а) очки виртуальной реальности, пример, Oculus б) машинка на управлении Bluetooth, пример на платформе Arduino.FIG. 12 (a, b). Examples of the actuator: a) virtual reality glasses, an example, Oculus b) a machine running Bluetooth, an example on the Arduino platform.
Фиг. 13 показывает пример осуществления обработки сигнала от системы считывания.FIG. 13 shows an example of processing a signal from a reading system.
Фиг. 14 показывает временные функции для выделения признаков ЭМГ-сигнала.FIG. 14 shows time functions for extracting features of an EMG signal.
Фиг. 15 показывает захват данных по ортонормированному базису с помощью ротации. Слева: попытка нейрона приспособиться, чтобы покрыть новые данные. Справа: конечное положение нейрона после нового покрытия данных.FIG. 15 shows data capture on an orthonormal basis using rotation. Left: neuron trying to adapt to cover new data. Right: end position of a neuron after a new data coverage.
ПОДРОБНОЕ ОПИСАНИЕ ТЕХНИЧЕСКОГО РЕШЕНИЯDETAILED DESCRIPTION OF THE TECHNICAL SOLUTION
Ниже будут описаны понятия и определения, необходимые для подробного раскрытия осуществляемого технического решения.Below will be described the concepts and definitions necessary for the detailed disclosure of the ongoing technical solution.
Техническое решение может быть реализовано в виде распределенной компьютерной системы.The technical solution can be implemented as a distributed computer system.
В данном решении под системой подразумевается компьютерная система, ЭВМ (электронно-вычислительная машина), ЧПУ (числовое программное управление), ПЛК (программируемый логический контроллер), компьютеризированные системы управления и любые другие устройства, способные выполнять заданную, чётко определённую последовательность операций (действий, инструкций).In this solution, a system means a computer system, a computer (electronic computer), CNC (numerical control), PLC (programmable logic controller), computerized control systems, and any other devices that can perform a given, clearly defined sequence of operations (actions, instructions).
Под устройством обработки команд подразумевается электронный блок либо интегральная схема (микропроцессор), исполняющая машинные инструкции (программы).By a command processing device is meant an electronic unit or an integrated circuit (microprocessor) that executes machine instructions (programs).
Устройство обработки команд считывает и выполняет машинные инструкции (программы) с одного или более устройства хранения данных. В роли устройства хранения данных могут выступать, но, не ограничиваясь, жесткие диски (HDD), флеш-память, ПЗУ (постоянное запоминающее устройство), твердотельные накопители (SSD), оптические носители (CD, DVD и т.п.).The command processing device reads and executes machine instructions (programs) from one or more data storage devices. Storage devices may include, but are not limited to, hard disks (HDD), flash memory, ROM (read only memory), solid state drives (SSD), optical media (CD, DVD, etc.).
Программа - последовательность инструкций, предназначенных для исполнения устройством управления вычислительной машины или устройством обработки команд.A program is a sequence of instructions intended for execution by a control device of a computer or a device for processing commands.
Электромиография (ЭМГ, ЭНМГ, миография, электронейромиография) — метод исследования биоэлектрических потенциалов, возникающих в скелетных мышцах человека и животных при возбуждении мышечных волокон; регистрация электрической активности мышц.Electromyography (EMG, ENMG, myography, electroneuromyography) - a method for studying the bioelectric potentials that occur in the skeletal muscles of humans and animals upon excitation of muscle fibers; registration of muscle electrical activity.
Электронейромиография (ЭНМГ) — это комплексное электрофизиологическое исследование, необходимое для определения функционального состояния периферической нервной системы и мышц [1].Electroneuromyography (ENMG) is a comprehensive electrophysiological study necessary to determine the functional state of the peripheral nervous system and muscles [1].
Исполнительный механизм — устройство в системе автоматического регулирования и управления, непосредственно осуществляющее механическое перемещение (или поворот) регулирующего органа объекта управления, в том числе и виртуального объекта. Это может быть как комплекс устройств либо одно устройство, получающие команды от принявшего и обработавшего данные ЭМГ и не только устройства, и способное передать информацию обратной связи.Actuator is a device in the system of automatic regulation and control that directly performs mechanical movement (or rotation) of the regulatory body of the control object, including the virtual object. It can be either a complex of devices or a single device receiving commands from the receiver and processor of EMG data and not only the device, and capable of transmitting feedback information.
Способ физиологичного управления исполнительным механизмом на основе распознавания жестов (обработка управляющего сигнала) осуществляют следующим образом.The method of physiological control of the actuator based on gesture recognition (processing the control signal) is as follows.
Предварительно осуществляют предобработку сигнала и создание входного вектора признаков ЭМГ-сигнала для классификации жестов пользователя, которая может выполняться аналогичным образом и при настройке, и при работе системы.The signal is pre-processed and the input vector of EMG signal attributes is created to classify user gestures, which can be performed in a similar way during setup and during system operation.
Для того чтобы различать и классифицировать мышечные движения, должны быть извлечены наиболее значимые части ЭМГ (признаки), которые представляют собой характеристики с достаточной для классификации информацией. По данным исследований, для классификации ЭМГ-сигналов верхних конечностей вычисляется квадрат дисперсии на каждом канале, после чего информация со всех каналов подается на нейросетевую хэш-функцию, которая выявляет ряд некоррелированных наиболее важных признаков.In order to distinguish and classify muscle movements, the most significant parts of EMG (signs), which are characteristics with sufficient information for classification, must be extracted. According to research, to classify EMG signals of the upper extremities, the dispersion square on each channel is calculated, after which information from all channels is fed to a neural network hash function that identifies a number of uncorrelated most important signs.
Более подходящими для анализа являются признаки ЭМГ-сигнала во временной области на основе амплитуд сигналов. Такие признаки могут быть легко определены, обладают высокой стабильностью для распознавания образов с помощью ЭМГ. Для достижения лучших результатов, функция (признак) должна содержать достаточное количество информации, чтобы представлять существенные свойства ЭМГ-сигнала, и должна быть достаточно простой для быстрой обработки и классификации. В некоторых вариантах осуществления в качестве признаков могут использоваться следующие величины во временной области, измеренные как функции времени: интегральная ЭМГ; среднее арифметическое; среднее значение модуля; конечные разности; сумма элементарных площадей; дисперсия; среднеквадратичное отклонение; длина сигнала; максимальное значение ЭМГ-сигнала, более подробно информация о выборе признаков для классификации раскрыта в работе авторов [2].More suitable for analysis are signs of an EMG signal in the time domain based on signal amplitudes. Such features can be easily identified, have high stability for pattern recognition using EMG. To achieve better results, the function (feature) should contain enough information to represent the essential properties of the EMG signal, and should be simple enough for quick processing and classification. In some embodiments, the following time-domain values, measured as functions of time, may be used as features: integral EMG; average; the average value of the module; finite differences; sum of elementary areas; dispersion; standard deviation; signal length; the maximum value of the EMG signal, in more detail, information on the selection of signs for classification is disclosed in the authors [2].
Формулы для расчета этих величин показаны на Фиг. 14.Formulas for calculating these values are shown in FIG. fourteen.
Оценка эффективности признаков осуществляется по двум главным параметрам — производительность нейронной сети и время работы — как наиболее важным для использования в реальном времени. Согласно предыдущим исследованиям, описанным в источнике информации [3], для условия выполнения требований работы в режиме реального времени время распознавания сигнала должно занимать не более 25 мс (но данные параметры регулируются нейронной сеткой, шириной окна и другими параметрами, что позволяет сделать настраиваемым время распознавания сигнала, увеличивая как в большую, так и меньшую сторону). Для комфортной работы пользователя производительность, или точность распознавания (процентное отношение верных случаев классификации ко всем рассматриваемым случаям) должна быть не ниже 95%, как показано в источнике [4]. Пример осуществления обработки сигнала представлен на Фиг. 10 и 13. С целью повышения точности классификации жеста и предотвращения ложного срабатывания исполнительного устройства бионической конечности на этапе предобработки сигнала, одновременно с вычислением максимального значения сегмента ЭМГ-сигнала, вычисляется средняя длительность превышения порогового значения ЭМГ-сигнала в окне данных в режиме реального времени, затем после центрирования и нормализации полученного сигнала принимается решение о возникновении управляющего сигнала.Evaluation of the effectiveness of signs is carried out according to two main parameters - the performance of the neural network and operating time - as the most important for real-time use. According to previous studies described in the information source [3], for the conditions for fulfilling the requirements of real-time operation, the signal recognition time should take no more than 25 ms (but these parameters are regulated by the neural grid, window width, and other parameters, which allows the recognition time to be adjusted signal, increasing both up and down). For comfortable work of the user, the productivity or recognition accuracy (the percentage of correct classification cases to all cases considered) should be at least 95%, as shown in the source [4]. An example implementation of signal processing is shown in FIG. 10 and 13. In order to increase the accuracy of gesture classification and prevent false triggering of the bionic limb actuator at the signal pre-processing stage, simultaneously with calculating the maximum value of the EMG signal segment, the average duration of exceeding the threshold value of the EMG signal in the real-time data window is calculated, then, after centering and normalizing the received signal, a decision is made about the occurrence of a control signal.
Данные нейромышечной активности (данные матрицы каналов электромиографа), получают от устройства миоэлектрического считывания и оцифровывают посредством АЦП, затем проверяют условие возникновения активного сигнала (соответствующего выполнению жеста), например, 30% от заданной в настройках амплитуды. Далее разбивают полученный оцифрованный сигнал неперекрывающимся окном на сегменты, длиной, например, 25 мс. В некоторых вариантах осуществления технического решения используют функцию максимального значения сегмента, как наиболее эффективную и легко вычисляемую. Для каждого сегмента вычисляется его максимальное значение по формуле:Neuromuscular activity data (matrix data of electromyograph channels) are obtained from the myoelectric reader and digitized by ADC, then the condition for the appearance of the active signal (corresponding to the gesture) is checked, for example, 30% of the amplitude specified in the settings. Next, the received digitized signal is broken by a non-overlapping window into segments, for example, 25 ms long. In some embodiments, the implementation of the technical solution uses the function of the maximum value of the segment, as the most effective and easily calculated. For each segment, its maximum value is calculated by the formula:
где xk – k-ый сегмент сигнала, xi – i-ое значение сегмента. Далее полученные значения нормируются следующим образом:where x k is the k-th segment of the signal, x i is the i-th value of the segment. Further, the obtained values are normalized as follows:
где X – массив данных сигнала, Хi – i-ое значение сигнала;where X is the signal data array, X i is the i-th signal value;
И центрируют:And center:
где – среднее арифметическое сигнала Х.Where - the arithmetic mean of the signal X.
Таким образом, получают входной вектор признаков (по которому осуществляется классификация жестов) для каждого канала, с более низкой размерностью, чем у исходного сигнала (в зависимости от ширины окна): вектор длиной k вместо первоначального вектора длиной k*i, что снижает вычислительную нагрузку на микроконтроллер. Размерность понижается за счет того, что находят одно значение среди i значений.Thus, an input feature vector (by which gestures are classified) is obtained for each channel with a lower dimension than the original signal (depending on the window width): a vector of length k instead of the original vector of length k * i, which reduces the computational load to the microcontroller. The dimension is reduced due to the fact that they find one value among i values.
Важно отметить, что миоэлектрическое устройство считывания также имеет режим работы электромиографа и вывода данных ЭМГ на циферблат миоэлектрическое устройство считывания или на экран исполнительного механизма, как компьютер или телефон, что лучше позволяет определить уровень сигнала от каждой мышцы или группы мышц.It is important to note that the myoelectric reader also has an electromyograph operating mode and the EMG data is output to the dial of the myoelectric reader or to the actuator screen, such as a computer or telephone, which makes it possible to better determine the signal level from each muscle or muscle group.
На этапе настройки системы после создания входного вектора признаков ЭМГ-сигнала происходит обучение искусственной нейронной сети (ИНС). В некоторых вариантах осуществления используют ИНС на основе радиальной базисной функции (как пример, не стоит ограничиваться им, так как оптимальный вариант использование нейросетевой хэш-функции). В некоторых вариантах осуществления может использоваться многослойный персептрон нейронной сети, а также другие виды нейронных сетей или метод опорных векторов.At the stage of system setup, after creating an input vector of signs of an EMG signal, an artificial neural network (ANN) is trained. In some embodiments, an ANN is used based on a radial basis function (as an example, do not limit it, since the best option is to use a neural network hash function). In some embodiments, a multilayer perceptron of a neural network, as well as other types of neural networks or a support vector method, can be used.
Для того чтобы распознать жесты, извлеченные признаки должны быть классифицированы в отличительные классы. Классификатор должен быть в состоянии справиться с факторами, которые оказывают заметное влияние на шаблоны ЭМГ в течение времени, такие, как существенное изменение сигналов ЭМГ, расположение электродов, пот и усталость, описанные в источнике информации [5].In order to recognize gestures, the extracted features must be classified into distinctive classes. The classifier should be able to cope with factors that have a noticeable effect on EMG patterns over time, such as a significant change in EMG signals, the location of the electrodes, sweat and fatigue described in the information source [5].
Вышеуказанный способ может использовать трехзвенную архитектуру управления (база данных – сервер - клиент) при обработке набора признаков ЭМГ-сигнала.The above method can use a three-tier management architecture (database - server - client) when processing a set of signs of an EMG signal.
Во входном слое количество нейронов равно размерности вектора признаков (который в данном случае равен числу каналов передачи данных, по которым передаются данные с датчиков), который в примере реализации изобретения может быть равен восьми: xi, i = 1, 2…8. Скрытый слой, где число нейронов не было определено заранее, так как они были сформированы в ходе процедуры обучения, был разделен на четырнадцать субскрытых слоев. В выходном слое число нейронов было равно количеству классов в наборе обучающих данных (число жестов- число нейронов).In the input layer, the number of neurons is equal to the dimension of the feature vector (which in this case is equal to the number of data channels through which data from the sensors are transmitted), which in the example implementation of the invention can be eight: x i , i = 1, 2 ... 8. The hidden layer, where the number of neurons was not determined in advance, since they were formed during the training procedure, was divided into fourteen sub-hidden layers. In the output layer, the number of neurons was equal to the number of classes in the training data set (the number of gestures is the number of neurons).
Базисной функцией нейронной сети в скрытом слое является функция Гаусса, а выход k-го нейрона в скрытом слое для каждого данного входа X = [x1,x2,x3,x4,x5,x6 x7,x8]T может вычисляться по следующей формуле:The basic function of the neural network in the hidden layer is the Gauss function, and the output of the kth neuron in the hidden layer for each given input X = [x 1 , x 2 , x 3 , x 4 , x 5 , x 6 x 7 , x 8 ] T can be calculated using the following formula:
(4) (four)
Это уравнение описывает 8-мерный гауссиан с центром в точке C = [C1,C2,C3,C4,C5,C6,C7,C8,C3]Т и вращается вдоль ортонормированного базиса {U1,U2,U3,U4,U5,U6U7,U8}, что позволяет нейрону покрывать поле данных соседа без смещения или любого изменения размера. Ширина этого гауссиана вдоль каждой оси равна ai, i = 1, 2…8.This equation describes an 8-dimensional Gaussian centered at C = [C 1 , C 2 , C 3 , C 4 , C 5 , C 6, C 7 , C 8 , C 3 ] T and rotates along the orthonormal basis {U 1 , U 2 , U 3 , U 4 , U 5 , U 6 U 7 , U 8 }, which allows the neuron to cover the data field of the neighbor without offset or any size change. The width of this Gaussian along each axis is a i , i = 1, 2 ... 8.
Поскольку входные векторы признаков для каждого образа являются восьмимерными, координаты, соответствующие этим векторам, представляют собой базис вида [1,0,0,0,0,0,0,0]T, [0,1,0,0,0,0,0,0]T … [0,0,0,0,0,0,0,1]T. Таким образом, компонента хi каждого входного вектора X по отношению к новым осям может быть вычислена как:Since the input feature vectors for each image are eight-dimensional, the coordinates corresponding to these vectors represent a basis of the form [1,0,0,0,0,0,0,0,0] T , [0,1,0,0,0, 0,0,0] T ... [0,0,0,0,0,0,0,0,1] T. Thus, the component x i of each input vector X with respect to the new axes can be calculated as:
(5) (5)
Вращение вдоль базисных векторов позволяет нейронам покрыть все близлежащие данные без увеличения радиуса. На Фиг. 15 показано, каким образом нейрон пытается приспособиться, чтобы покрыть новые данные; в правой части рисунка показано нахождение данных нейроном.Rotation along the basis vectors allows neurons to cover all nearby data without increasing the radius. In FIG. Figure 15 shows how a neuron tries to adapt to cover new data; the right side of the figure shows the location of the data by the neuron.
Во время настройки системы происходит запись сигнала пользователя в базу данных, данные в которой накапливаются, и используются для дообучения сети, но не всегда есть потребность в данном дообучении. Для каждого пользователя имеется вектор признаков с размером 8×N (где 8 – число каналов, N – число обучающих данных), полученный с помощью описанного выше способа (сегментации не перекрывающимися окнами). Перед процедурой обучения каждый набор данных перемешивается, а затем делится на наборы в соотношении 2:1:1 (по числу обучающих данных N) с данными для этапов обучения, тестирования и контроля соответственно.During system setup, a user signal is recorded in the database, the data in which is accumulated, and used to retrain the network, but there is not always a need for this retraining. For each user, there is a feature vector with a size of 8 × N (where 8 is the number of channels, N is the number of training data) obtained using the method described above (segmentation by non-overlapping windows). Before the training procedure, each data set is mixed and then divided into sets in a ratio of 2: 1: 1 (according to the number of training data N) with data for the stages of training, testing and control, respectively.
Ортонормированный базис вычисляется через собственный вектор ковариационной матрицы. Поскольку обучающие данные вводятся в сеть последовательно, вектор средней и ковариационная матрица вычисляются рекурсивно. Для N выборок X = {х1, х2, ..., хN}, в котором хj = ℜ3, j = 1, ..., N вектор средних значений рассчитывается следующим образом:The orthonormal basis is calculated through the eigenvector of the covariance matrix. Since the training data is entered into the network sequentially, the mean vector and covariance matrix are calculated recursively. For N samples X = {x 1 , x 2 , ..., x N }, in which x j = ℜ 3 , j = 1, ..., N, the vector of average values is calculated as follows:
(6) (6)
где – это вектор средних значений множества данных X; XN+1 – новый вектор данных, добавляемый во множество данных X.Where Is the vector of average values of the data set X;
Затем ковариационная матрица вычисляется как:Then the covariance matrix is calculated as:
(7) (7)
(8) (8)
Чтобы найти ортонормированный базис для РБФ, используется концепция анализа главных компонент. Собственные величины {λ1, λ2, λ3, λ4, λ5, λ6 λ7, λ8} и соответствующие им собственные векторы {U1,U2,U3,U4,U5,U6U7,U8} вычисляются от уровня ковариационной матрицы. Далее множество собственных ортогональных векторов образуют ортонормированный базис, что показано в источнике информации [6].To find an orthonormal basis for RBF, the concept of principal component analysis is used. The eigenvalues {λ 1 , λ 2 , λ 3 , λ 4 , λ 5 , λ 6 λ 7 , λ 8 } and the corresponding eigenvectors {U 1 , U 2 , U 3 , U 4 , U 5 , U 6 U 7 , U 8 } are calculated from the level of the covariance matrix. Further, the set of eigenvalues of the orthogonal vectors form an orthonormal basis, as shown in the information source [6].
Процедуру обучения нейронной сети во время настройки системы более подробно можно описать следующим образом.The procedure for training a neural network during system setup can be described in more detail as follows.
Пусть Х = {(хj, tj)|1 ≤ j ≤ N} есть множество N обучающих данных (обучающая выборка), где xj является вектор-функцией (компонент хj ϵ ℜ8, где ℜ8 – множество обучающих данных) и tj является классом, с которым необходимо соотнести жест. Пусть Ω = {Ωk|1 ≤ k ≤ m} это набор из m нейронов. Каждый нейрон имеет пять параметров:Let X = {(x j , t j ) | 1 ≤ j ≤ N} be the set N of training data (training set), where x j is a vector function (component x j ϵ ℜ 8 , where ℜ 8 is the set of training data ) and t j is the class with which the gesture needs to be associated. Let Ω = {Ω k | 1 ≤ k ≤ m} be a collection of m neurons. Each neuron has five parameters:
Ωk = (Сk, Sk, Nk, Ak, dk), (9)Ω k = (C k , S k , N k , A k , d k ), (9)
где Сk – центр k-го нейрона, Sk – ковариационная матрица k-го нейрона, – это количество данных, соответствующих k-му нейрону, – ширина вектора k-го нейрона, и dk – класс-метка k-го нейрона.where C k is the center of the kth neuron, S k is the covariance matrix of the kth neuron, Is the amount of data corresponding to the k-th neuron, Is the width of the kth neuron vector, and d k is the label class of the kth neuron.
Поскольку новые нейроны могут быть автоматически добавлены к сети и располагаться очень близко друг к другу, возможна реализация стратегии слияния нескольких нейронов во избежание роста сети до максимальной структуры (одного нейрона для каждой единицы данных), что подробно описано в источнике информации [7].Since new neurons can be automatically added to the network and located very close to each other, it is possible to implement a strategy of merging several neurons to prevent the network from growing to its maximum structure (one neuron for each data unit), which is described in detail in the information source [7].
Обученная нейронная сеть позволяет точно подстроиться под пользователя. В результате обучения ИНС сохраняют новые значения весовых коэффициентов нейронной сети в микропроцессор исполнительного механизма напрямую или в хранилище данных.A trained neural network allows you to precisely adapt to the user. As a result of training, ANNs store new values of the neural network weighting coefficients in the microprocessor of the actuator directly or in the data warehouse.
Однако следует учитывать, что другие типы ИНС, как и другие методы классификации, также могут быть осуществлены в данном изобретении специалистом в своей области.However, it should be borne in mind that other types of ANNs, like other classification methods, can also be implemented in this invention by a specialist in their field.
В процессе работы системы результат распознавания жеста преобразуется в соответствующую управляющую команду (например, мысленное сжатие в «кулак» пользователем – «кулак»), и передается например на исполнительный механизм – отражается на экране компьютера или радиоуправляемая модель прекращает движение.During the operation of the system, the result of gesture recognition is converted into the appropriate control command (for example, mental compression into a “fist” by the user - “fist”), and transmitted, for example, to the actuator — it is reflected on the computer screen or the radio-controlled model stops moving.
Система физиологичного управления на основе распознавания жестов (обработка управляющего сигнала) осуществляют следующим образом.A physiological control system based on gesture recognition (processing a control signal) is carried out as follows.
Вышеуказанная система состоит из миоэлектрического устройства считывания биопотенциалов, которое может быть конструктивно выполнено в виде лёгкосъёмного эластичного браслета или аналогичной конструкции (показан на Фиг. 5 поз. 1). В данном устройстве располагаются электроды для регистрации активности нервно-мышечной системы (поз.2), возникающей в ответ на фантомное движение пользователя. Причем браслет может быть размещен на предплечье на плече или других местах на теле человека и выполнен с возможностью передачи управляющего сигнала исполнительному механизму.The above system consists of a myoelectric biopotential reading device, which can be structurally made in the form of an easily removable elastic bracelet or similar design (shown in Fig. 5, item 1). This device contains electrodes for recording the activity of the neuromuscular system (item 2) that occurs in response to the phantom movement of the user. Moreover, the bracelet can be placed on the forearm on the shoulder or other places on the human body and is configured to transmit a control signal to the actuator.
В данном браслете может находиться датчик беспроводной передачи данных, причем, не ограничиваясь, могут использоваться технологии беспроводной передачи данных Bluetooth или Wi-Fi, или ZigBee.This bracelet may include a wireless data sensor, and, without limitation, Bluetooth or Wi-Fi, or ZigBee wireless technology can be used.
В легкосъёмном браслете или другой схожей конструкции, надеваемом на плечо, предплечье, или другие места на теле человека размещены, по меньшей мере один датчик электромиограммы, (далее датчик ЭМГ), с операционный усилитель, фильтр нижних и верхних частот, аналого-цифровой преобразователь (АЦП), микропроцессор-микроконтроллер, преобразователь напряжения и аккумуляторы, вибромотор, гироскоп и акселерометр.In an easily removable bracelet or other similar design worn on the shoulder, forearm, or other places on the human body, at least one electromyogram sensor (hereinafter referred to as EMG sensor) is placed, with an operational amplifier, a low-pass and high-pass filter, and an analog-to-digital converter ( ADC), microprocessor-microcontroller, voltage converter and batteries, vibration motor, gyroscope and accelerometer.
Датчик ЭМГ в некоторых вариантах осуществления представляет собой набор пластин электродов, размещенных на подложке из диэлектрика. В разных вариантах осуществления технического решения электроды могут быть выполнены из нержавеющей стали или из слабополяризующихся проводящих материалов (например, из нержавеющей стали марки 12Х18Н10). В некоторых вариантах осуществления электроды могут быть выполнены следующих размеров: квадрат 1х1 см для приемной пластины (2 штуки) и прямоугольник 1х0,5 см для референта), не ограничиваясь. В некоторых случаях прямоугольник использовать нет необходимости, используется один прямоугольник на все датчики. Специалисту в данной области техники очевидно, что размер электродов может быть выполнен в другом размере, учитывая, что размер пластины влияет на амплитуду сигнала и уровень перекрестных помех.The EMG sensor in some embodiments is a set of electrode plates placed on a dielectric substrate. In various embodiments of the technical solution, the electrodes can be made of stainless steel or of slightly polarizing conductive materials (for example, stainless steel grade 12X18H10). In some embodiments, the electrodes can be made in the following sizes: 1x1 cm square for the receiving plate (2 pieces) and 1x0.5 cm rectangle for the referent), not limited to. In some cases, there is no need to use a rectangle; one rectangle is used for all sensors. One skilled in the art will appreciate that the size of the electrodes can be made in a different size, given that the plate size affects the signal amplitude and crosstalk.
На подложку электрода сверху может устанавливается плата усилителя биопотенциалов, которая может состоять из инструментального (дифференциального) усилителя (например, такого как INA114), фильтров нижних и верхних частот, выполненных на пассивных элементах в виде RC цепочек или на активных элементах. Через гибкие шлейфы датчики подсоединяются к плате микропроцессора, где может происходить оцифровка посредством аналого-цифрового преобразования и передача его на микроконтроллер (например, 2х 16ти битных АЦП ADS1115 и предварительная обработка сигнала на контроллере ARM микропроцессора Cortex M4) Фиг. 8.On top of the electrode substrate, a biopotential amplifier board can be installed, which can consist of a tool (differential) amplifier (for example, such as INA114), low-pass and high-pass filters made on passive elements in the form of RC circuits or on active elements. Through flexible loops, the sensors are connected to the microprocessor board, where digitization by analog-to-digital conversion can take place and transfer it to the microcontroller (for example, 2x 16-bit ADS1115 ADCs and signal preprocessing on the Cortex M4 microprocessor ARM controller) FIG. 8.
При волевом сокращении мышцы пользователем активными электродами регистрируется разность потенциалов в низкочастотном диапазоне, возникающая в нервно-мышечной ткани.With voluntary muscle contraction by the user with active electrodes, the potential difference in the low-frequency range that occurs in the neuromuscular tissue is recorded.
Следует особо подчеркнуть необходимость надежного способа снятия управляющего сигнала. Частотный состав электромиограммы у пользователей, согласно исследованиям, представлен сильно зашумленным сигналом в диапазоне 0,5-300 Гц и амплитудой сигнала от 1 мкВ до 2 мВ (Фиг. 6).It should be emphasized the need for a reliable way to remove the control signal. The frequency composition of the electromyogram for users, according to studies, is represented by a highly noisy signal in the range of 0.5-300 Hz and a signal amplitude of 1 μV to 2 mV (Fig. 6).
Также существует совершенно новый способ решения в части датчиков, так как датчики могут быть и без усилителей. К входным цепям приборов измерения и обработки биопотенциалов предъявляются высокие требования, т.к. уровень электромиосигнала составляет всего лишь десятки микровольт – единицы милливольт, а также он значительно меньше наведенной помехи, которая может достигать десятков и даже сотен милливольт.There is also a completely new solution method in terms of sensors, since sensors can be without amplifiers. The input circuits of measuring instruments and processing biopotentials are high requirements, because the level of the electromyosignal is only tens of microvolts - units of millivolts, and it is also much less than the induced noise, which can reach tens or even hundreds of millivolts.
Под входными цепями (ВЦ) прибора с цифровой обработкой электромиосигнала , понимается цепь прохождения аналогового сигнала от электродов датчика до выхода аналого-цифрового преобразователя (АЦП).Under the input circuits (CC) of the device with digital processing of the electromy signal, we mean the circuit of the analog signal from the sensor electrodes to the output of the analog-to-digital converter (ADC).
К ВЦ предъявляют следующие основные требования:The following basic requirements are made to the EC:
1. Обеспечение входного сопротивления 100 Мом и более;1. Providing input impedance of 100 megohms or more;
2. Предварительная фильтрация входного сигнала, исходя из частоты дискретизации АЦП;2. Pre-filtering the input signal based on the sampling frequency of the ADC;
3. Подавление синфазной составляющей входного сигнала не менее 100 дБ;3. Suppression of the in-phase component of the input signal at least 100 dB;
4. Разрядность АЦП, достаточная для преобразования сигнала уровнем 10 мкВ;4. ADC resolution sufficient to convert a signal level of 10 μV;
5. Наличие активной схемы подавления синфазной составляющей входного сигнала.5. The presence of an active common mode rejection circuit for the input signal.
Кроме того, для обеспечения высокой разрешающей способности по распознаванию хватов в системе с использованием нейронной сети в качестве вычислителя, предъявляются дополнительные требования. А именно, число одновременно обрабатываемых каналов должно быть как можно большим.In addition, to ensure a high resolution for grip recognition in a system using a neural network as a computer, additional requirements are imposed. Namely, the number of simultaneously processed channels should be as large as possible.
На основании этих требований была выбрана микросхема ADS, которая включает в себя:Based on these requirements, the ADS chip was selected, which includes:
- предварительный усилитель с регулируемым коэффициентом усиления до 24;- preamplifier with adjustable gain up to 24;
- коэффициент подавления составляющей входного сигнала не мене 115 дБ;- the suppression ratio of the component of the input signal is not less than 115 dB;
- дельта-сигма АЦП разрядностью 24 бита;- delta-sigma ADC with a bit capacity of 24 bits;
- активную схему подавления синфазного сигнала;- active common mode rejection circuit;
- генератор напряжения Vcm;- voltage generator Vcm;
- 8 дифференциальных, одновременно обрабатываемых каналов;- 8 differential, simultaneously processed channels;
- частота дискретизации входного сигнала до 32000 выб./с.- sampling frequency of the input signal up to 32000 b./s.
Входное сопротивление ADS составляет более 1 ГОм.ADS input impedance is more than 1 GΩ.
Два электрода каждого канала подключены непосредственно к предварительному фильтру, образуя дифференциальный канал.Two electrodes of each channel are connected directly to the preliminary filter, forming a differential channel.
Для активного подавления синфазной составляющей входного сигнала, усиленный и инвертированный синфазный сигнал подается на третий электрод каждого датчика.To actively suppress the common-mode component of the input signal, the amplified and inverted common-mode signal is fed to the third electrode of each sensor.
В качестве предварительного фильтра использован RC фильтр первого порядка.An RC filter of the first order was used as a preliminary filter.
Управление микросхемой ADS осуществляется по интерфейсу SPI.The ADS chip is controlled via the SPI interface.
Оцифрованный сигнал подается на процессор системы для дальнейшей обработки.The digitized signal is fed to the system processor for further processing.
Блок-схема входной цепи представлена на Фиг. 9.A block diagram of the input circuit is shown in FIG. 9.
Осуществление технического решения (Фиг. 1а) может происходить следующим образом. Пользователь выполняет заданные жесты, при этом миоэлектрическое устройство считывания передает данные пользователя на устройство обработки данных по беспроводному каналу передачи данных (например, с использованием стандарта Bluetooth 4.0, но не ограничиваясь им), где происходит создание профиля пользователя. Затем созданный профиль записывается в память микроконтроллера. The implementation of the technical solution (Fig. 1A) can occur as follows. The user performs the specified gestures, while the myoelectric reader transmits user data to the data processing device via a wireless data transmission channel (for example, using the Bluetooth 4.0 standard, but not limited to it), where the user profile is created. Then, the created profile is recorded in the memory of the microcontroller.
Миоэлектрическое устройство считывания осуществляет регистрацию и фильтрацию электромиограммы (ЭМГ) и передачу данных по беспроводному каналу связи (например, с использованием стандарта Bluetooth 4.0, но не ограничиваясь им) на плату управления исполнительного механизма, размещение которой показано на Фиг. 12. Способ обработки сигнала более подробно раскрыт выше.The myoelectric reader performs registration and filtering of the electromyogram (EMG) and data transmission via a wireless communication channel (for example, using the Bluetooth 4.0 standard, but not limited to it) to the control board of the actuator, the arrangement of which is shown in FIG. 12. The signal processing method is described in more detail above.
Фиг. 12 представляет собой вид сверху исполнительный механизм, который отличается для виртуальной реальности или для радиоуправляемой модели.FIG. 12 is a top view of an actuator that is different for virtual reality or for a radio-controlled model.
Управление виртуальной реальностью происходит следующим образом: миоэлектрическое устройство считывания в виде браслета (или схожей конструкции прибор) надевается на предплечье или плечо, либо другую часть конечности, как пример, ноги, происходит калибровка и настройка браслета, это может быть сделано на компьютере, телефоне (Фиг. 3в), как и без них (Фиг. 4). Очки виртуальной реальности состоят как минимум из разных типов линз, дисплея, деталей корпуса, вычислительной системы, акселерометра, гироскопа, датчика беспроводной связи (Bluetooth) (Фиг. 12а). Связь между браслетом и очками виртуальной реальности организовывается с помощью любой беспроводной связи, в нашем случае используются Bluetooth, при чём Bluetooth браслета настроен как ведомый, а Bluetooth очков виртуальной реальности как мастер. Миоэлектрическое устройство считывания, в виде браслета (или схожей конструкции прибор), осуществляет регистрацию и фильтрацию электромиограммы (ЭМГ), определяет положение руки и в зависимости от него отправляет на очки виртуальной реальности соответствующую команду, либо получает информацию по обратной связи. Важно, что миоэлектрическое устройство считывания помимо данных по номерам схватов отправляет на очки информацию с гироскопа и акселерометра, что позволяет лучше определить положение руки в пространстве. Возможно расположение миоэлектрического устройства считывания не только на руки, но и ноги, спину, шею, что позволит лучше определить расположение других частей тела в пространстве. Также очки виртуальной реальности способны передавать информацию обратной связи и запускать на миоэлектрическом устройстве считывания вибромотор, что позволяет создавать обратную связь, возможно также дополнительное расположение и других датчиков обратной связи и сенсоров.The management of virtual reality is as follows: a myoelectric reader in the form of a bracelet (or a device similar in design) is put on the forearm or shoulder, or another part of the limb, as an example, legs, the bracelet is calibrated and adjusted, this can be done on a computer, phone ( Fig. 3c), as well as without them (Fig. 4). Virtual reality glasses consist of at least different types of lenses, a display, housing parts, a computer system, an accelerometer, a gyroscope, and a wireless sensor (Bluetooth) (Fig. 12a). The connection between the bracelet and virtual reality glasses is organized using any wireless connection, in our case, Bluetooth is used, with the Bluetooth of the bracelet configured as a slave, and the Bluetooth of virtual reality glasses as a master. A mioelectric reader, in the form of a bracelet (or a device similar in design), registers and filters an electromyogram (EMG), determines the position of the hand and, depending on it, sends a corresponding command to virtual reality glasses, or receives information by feedback. It is important that the myoelectric reader, in addition to data on the numbers of the grips, sends information to the glasses from the gyroscope and accelerometer, which allows you to better determine the position of the hand in space. It is possible that the myoelectric reader is located not only on the hands, but also on the legs, back, neck, which will make it possible to better determine the location of other body parts in space. Also, virtual reality glasses are able to transmit feedback information and run a vibromotor on the myoelectric reader, which allows you to create feedback, it is also possible to additionally position other feedback sensors and sensors.
Управление радиоуправляемой моделью происходит следующим образом миоэлектрическое устройство считывания в виде браслета (или схожей конструкции прибор) надевается на предплечье или плечо, происходит калибровка и настройка устройства, это может быть сделано на компьютере, телефоне (Фиг. 3б), как и без них (Фиг. 4). Радиоуправляемая модель состоит как минимум из микросхемы, датчика беспроводной связи (Bluetooth) и двигателей (Фиг. 12б). Связь между браслетом и радиоуправляемой моделью организовывается с помощью любой беспроводной связи, в нашем случае используются Bluetooth, при чём Bluetooth браслета настроен как мастер, а Bluetooth модели как ведомый. После запуска обоих устройств, с подключением без посредников, устройство беспроводной связи браслета подключается к устройству связи исполнительного механизма в нашем случае для связи требуется знание мастером названия и пароля устройства связи исполнительного механзима. В том случае, если устройства связаны через посредника (компьютер, телефон), то устройство-посредник участвует в установке связи между приборами. Миоэлектрическое устройство считывания осуществляет регистрацию и фильтрацию электромиограммы (ЭМГ), определяет положение руки и в зависимости от него отправляет на модель соответствующую команду. Список команд: F –модель начинает движение вперёд пока не получит очередную команду, B – модель начинает движение назад пока не получит очередную команду, L – модель начинает движение налево пока приходит данная команда, после её окончания продолжает действие, которое выполняло до получения команды (движение вперёд, назад, бездействие), R – модель начинает движение направо пока приходит данная команда, после её окончания продолжает действие, которое выполняло до получения команды (движение вперёд, назад, бездействие), S – остановка модели.The radio-controlled model is controlled as follows: a myoelectric reader in the form of a bracelet (or a similar device design) is put on the forearm or shoulder, the device is calibrated and configured, this can be done on a computer, phone (Fig. 3b), as well as without them (Fig. . four). The radio-controlled model consists of at least a microcircuit, a wireless communication sensor (Bluetooth), and engines (Fig. 12b). The connection between the bracelet and the radio-controlled model is organized using any wireless connection, in our case, Bluetooth is used, with the Bluetooth of the bracelet configured as a master, and the Bluetooth model as a slave. After starting both devices, with connection without intermediaries, the wireless device of the bracelet is connected to the communication device of the actuator in our case, for communication, the master needs to know the name and password of the communication device of the executive mechanism. In the event that the devices are connected through an intermediary (computer, telephone), the intermediary device is involved in establishing communication between the devices. The myoelectric reader performs registration and filtering of the electromyogram (EMG), determines the position of the hand and, depending on it, sends the appropriate command to the model. List of commands: F - the model starts moving forward until it receives the next command, B - the model starts moving back until it receives the next command, L - the model starts moving left until this command arrives, after its completion continues the action that performed until the command was received ( moving forward, backward, inactivity), R - the model starts moving to the right until this command arrives, after its completion continues the action that performed until the command was received (moving forward, backward, inaction), S - stop the model.
Модель получает команду, микросхема обрабатывает её в зависимости от команды, проводит манипуляции над моторчиками: начать вращение, изменить направление вращения, остановить. После выполнения текущей команды устройство готово к выполнению следующего. Также с модели может приходить на браслет информация обратной связи и запускать вибромотор на браслете или иные типы датчиков.The model receives a command, the chip processes it depending on the command, performs manipulations on the motors: start rotation, change direction, stop. After executing the current command, the device is ready to perform the following. Also, feedback information can come from the model to the bracelet and start the vibration motor on the bracelet or other types of sensors.
Также возможен случай реализации системы реабилитации с очками виртуальной реальности, так и без них (Фиг. 3а). А именно, когда происходит снятие данных например, по схватам с предплечья или плеча руки, и передача на компьютер или телефон для выполнения определенных схватов или движений в пространстве, движений, на компьютере или телефоне запущена программа, которая получает информацию и сигнализирует об успешном или неуспешном выполнении задания, возможна подача сигнала обратной связи на браслет.It is also possible that a rehabilitation system is implemented with or without virtual reality glasses (Fig. 3a). Namely, when data is being taken, for example, from grips from the forearm or shoulder of the hand, and transmission to a computer or phone to perform certain grips or movements in space, movements, a program is launched on the computer or phone, which receives information and signals success or failure completing the task, it is possible to feed a feedback signal to the bracelet.
Система управления также включает в себя: The management system also includes:
сеть контроллера (контроллерную сеть), которая обеспечивает модульную, надежную и отказоустойчивую схему взаимодействия для обмена данными между контроллером и остальными управляющими и исполнительными органами исполнительного механизма, и которая обеспечивает передачу контроллеру намерений от нервно-мышечной системы пользователя;controller network (controller network), which provides a modular, reliable and fault-tolerant interaction scheme for data exchange between the controller and other control and executive bodies of the actuator, and which ensures the transfer of intentions to the controller from the user's neuromuscular system;
источник питания;source of power;
разноцветные поверхностные светоизлучающие диодные, вибро- и звуковые индикаторы (LED), расположенные в протезе, с помощью которых посредством контроллера обеспечивается обратная связь с пользователем.multi-colored surface light-emitting diode, vibration and sound indicators (LEDs) located in the prosthesis, with the help of which the user feedback is provided through the controller.
Примерные варианты осуществления системы управления включают в себя контроллер 301 (не более 2х3 см), который принимает данные о результате распознавания, осуществляет обмен данными и управление исполнительным механизмом.Exemplary embodiments of the control system include a controller 301 (not more than 2x3 cm), which receives data about the recognition result, exchanges data, and controls the actuator.
Контроллер в некоторых вариантах осуществления может включать в себя блок обработки, A controller in some embodiments may include a processing unit,
блок интерфейса, который физически отделен от блока обработки, причем вышеуказанные блоки могут соединяться гибким шлейфом, что позволяет осуществлять гибкое построение интерфейса без изменения соответствующего элемента управления программным обеспечением.an interface unit, which is physically separated from the processing unit, and the above units can be connected by a flexible cable, which allows for flexible construction of the interface without changing the corresponding software control element.
На Фиг. 3 показана блок-схема системы управления исполнительным механизмом, которая включает в себя контроллер протеза 301, шину 302, и по меньшей мере одну шину 303 (на Фиг. 3 показана только одна из них). Шина 302 и шина пальца 303 подключены к контроллеру 301 с помощью интерфейса ввода-вывода 304.In FIG. 3 shows a block diagram of an actuator control system that includes a
Контроллер 301 может являться одним из компонентов механизма (не показанного на данной схеме). Контроллер 301 является центральным звеном управления исполнительным механизмом. Таким образом, контроллер 301, который может быть конструктивно размещен внутри исполнительного механизма, несет ответственность за высокий уровень координированного управления исполнительным механизмом, а также разнообразные функции, связанные с внутренними нюансами работы исполнительного механизма.The
Также, в случае необходимости, в некоторых вариантах осуществления контроллер 301 может быть размещен вне исполнительного механизма. Also, if necessary, in some embodiments, the
Одна из функций контроллера 301 – это управление движением исполнительного механизма.One of the functions of
Соответственно, команды о намерении пользователя передаются блоком 305 ЭНМ интерфейса (электронейромиоинтерфейса), который взаимодействует с контроллером 301 посредством шины 302 и интерфейса ввода-вывода 304, как показано на Фиг. 3. Команды из блока 305 ЭНМ интерфейса, а также информация от контроллера 306 крупноманипуляционного привода и по меньшей мере одного контроллера 307 мелкоманипуляционного привода (на Фиг. 3 показан один из них), которые поступают через шину 302 и шины 303 пальцев, позволяют способу управления исполнительного механизма, описанному выше, в контроллере 301 генерировать новые команды для управления крупноманипуляционными приводами и мелкоманипуляционными приводами.Accordingly, commands about the user’s intention are transmitted by the
Контроллер 301 также обеспечивает передачу сенсорных данных от датчиков или внешнего программного обеспечения с помощью вибродатчика, либо с помощью слабого электрического импульса.The
Эта обратная связь позволяет пользователю ощущать внешние условия, не будучи ограниченным только визуальной или звуковой обратной связью.This feedback allows the user to sense external conditions without being limited only by visual or audio feedback.
В дополнительных вариантах осуществления изобретения контроллер 301 использует шину 302 для взаимодействия с дополнительными устройствами и/или аксессуарами, такими как устройства радиочастотной идентификации (RFID датчики), смартфоны и персональные цифровые помощники, хотя дополнительные или альтернативные варианты осуществления изобретения не ограничивается этими примерами.In further embodiments, the
Функционирование системы происходит следующим образом. Миоэлектрическое устройство считывания в виде браслета или аналогичной конструкции системы надевается на предплечье и плечо и подключается к компьютеру или телефону, на компьютере или телефоне происходит настройка, калибровка браслета и исполнительного механизма следующим образом. Обучающая выборка формируется следующим образом. С помощью программы калибровки на экран последовательно выводятся типы жестов, например, «кулак», «щепоть тремя пальцами», «захват «ключ»», «цилиндрический схват», и другие, которые предлагается повторить пользователю несколько раз в течение определенного времени, например, 5 раз по одной секунде, после чего полученные данные используются для обучения алгоритма распознавания на основе нейронной сети, как было описано выше. Создается профиль пользователя с новыми весовыми коэффициентами, который записывается в микроконтроллер браслета, либо запись сразу происходит в браслете. Далее исполнительный механизм и браслет могут работать автономно, на основе беспроводной связи, например, посредством Bluetooth 4.0.The functioning of the system is as follows. A mioelectric reader in the form of a bracelet or a similar system design is worn on the forearm and shoulder and connected to a computer or phone, and the bracelet and actuator are set up and calibrated as follows. The training sample is formed as follows. Using the calibration program, the types of gestures are sequentially displayed on the screen, for example, “fist”, “pinch with three fingers”, “grip” key ”,“ cylindrical grip ”, and others, which are proposed to be repeated by the user several times over a certain time period, for example , 5 times in one second, after which the obtained data are used to train a recognition algorithm based on a neural network, as described above. A user profile is created with new weights, which is recorded in the microcontroller of the bracelet, or recording immediately occurs in the bracelet. Further, the actuator and bracelet can work autonomously, based on wireless communications, for example, via Bluetooth 4.0.
Миоэлектрическое устройство считывания можно надеть до, либо после настройки исполнительного механизма благодаря эластичной манжете.The myoelectric reader can be worn before or after adjusting the actuator thanks to the elastic cuff.
Пользователь может использовать движения, записанные при калибровке. После совершения движения, сигнал регистрируется, преобразуется и классифицируется согласно этапам, описанным выше. Благодаря наличию датчиков, передающих дополнительную информацию от исполнительного механизма, осуществляется обратная связь с пользователем, как описано выше.The user can use the movements recorded during calibration. After the movement, the signal is recorded, converted and classified according to the steps described above. Due to the presence of sensors transmitting additional information from the actuator, feedback is provided with the user, as described above.
ПРИМЕРЫ ОСУЩЕСТВЛЕНИЯ ТЕХНИЧЕСКОГО РЕШЕНИЯEXAMPLES OF IMPLEMENTATION OF THE TECHNICAL SOLUTION
Миоэлектрическое устройство считывания размещается на руке пользователя и одновременно соединяется с персональным компьютером или телефоном, которое является устройством обработки данных. Пользователь, выполняя команды на экране, совершает 14 жестов (например, «Кулак», «Неполный кулак, или цилиндрический хват», «Раскрытие ладони», «Щепоть большим и указательным пальцем», «Щепоть большим и безымянным пальцами», «Поворот ладони на себя», «Поворот ладони от себя», ««Пистолет» - указательный и большой пальцы выпрямлены, остальные прижаты», «Кулак с выпрямленным большим пальцем», «Вращение предплечья на себя», «Вращение предплечья от себя», «Захват компьютерной мыши», «Захват под ключ», «Расслабление»), каждый в течение одной секунды, повторяя их согласно изображениям на экране, формируя таким образом обучающую выборку жестов.A mioelectric reader is placed on the user's hand and simultaneously connects to a personal computer or telephone, which is a data processing device. The user, executing commands on the screen, makes 14 gestures (for example, “Fist”, “Incomplete fist, or cylindrical grip”, “Opening the palm”, “Pinch with thumb and forefinger”, “Pinch with thumb and ring finger”, “Turn the palm on yourself ”,“ Turn the palm away from you ”,“ Pistol ”- the forefinger and thumb are straightened, the rest are pressed”, “Fist with the straightened thumb”, “Rotate the forearm onto yourself”, “Rotate the forearm away from you”, “Grip computer mouse ”,“ Turnkey Capture ”,“ Relaxation ”), each for one second und, repeating them according to the images on the screen, thus forming a training sample of gestures.
Другой вариант, когда миоэлектрическое устройство считывания размещается на руке пользователя и одновременно выполняет не только считывание данных, но и обработку и обучение нейронной сети и не только, в дальнейшем может использоваться любой исполнительный механизм, как персональный компьютер или телефон, которые являются устройствами отражения обработанных данных по схватам. В процессе обучения может использоваться просто инструкция о последовательности схватов или исполнительный механизм для наглядности. В дальнейшем пользователь выполняет жесты, которые например отражаются на экране, например 14 жестов (например, «Кулак», «Неполный кулак, или цилиндрический хват», «Раскрытие ладони», «Щепоть большим и указательным пальцем», «Щепоть большим и безымянным пальцами», «Поворот ладони на себя», «Поворот ладони от себя», ««Пистолет» - указательный и большой пальцы выпрямлены, остальные прижаты», «Кулак с выпрямленным большим пальцем», «Вращение предплечья на себя», «Вращение предплечья от себя», «Захват компьютерной мыши», «Захват под ключ», «Расслабление»).Another option, when the myoelectric reader is placed on the user's hand and simultaneously performs not only data reading, but also processing and training of the neural network and not only any further mechanism can be used, such as a personal computer or telephone, which are reflection devices of processed data by grips. In the learning process, you can simply use instructions on the sequence of contractions or an actuator for clarity. In the future, the user performs gestures that, for example, are reflected on the screen, for example, 14 gestures (for example, “Fist”, “Incomplete fist, or cylindrical grip”, “Opening the palm”, “Pinch with thumb and forefinger”, “Pinch with thumb and ring finger "," Turn the palm toward yourself "," Turn the palm away from you "," Pistol "- the index and thumb are straightened, the rest are pressed", "Fist with the straightened thumb", "Rotate the forearm onto yourself", "Rotate the forearm from yourself ”,“ Capture a computer mouse ”,“ Capture on a turn-key basis ”,“ Ra weakening ").
Электроды датчика миоэлектрического устройства считывания регистрируют разность потенциалов, возникающую при сокращении мышц, далее сигнал усиливается в 1000 раз (важно отметить, что усиление может быть как сразу на электроде, так и на АЦП, в последнем случае электрод представляет лишь защищенные пластины, передающие данные на АЦП), фильтруется в полосе 5-500 Гц и оцифровывается в АЦП. Далее, в режиме настройки, оцифрованный сигнал поступает на компьютер. Каждому цифровому отсчету сигнала по каждому жесту ставится в соответствие номер выполняемого жеста для дальнейшего обучения. Данные по каждому жесту соединяются в матрицу, соответственно, при частоте дискретизации, например, 500 или 1000 Гц, имеем набор данных размером 14х1000х8х14000 (14 жестов по 1 секунде х 1000 Герц, 8 – число каналов, 14000 – вектор целей от 1 до 14, присвоенный каждому отсчету номер жеста, по 1000 значений на каждую цель), амплитуда сигнала находится в диапазоне от 100 мкВ до 1 мВ. Затем сигнал сегментируют окнами шириной 25 мс, по 25 отсчетов на сегмент соответственно для частоты дискретизации 500 или 1000 Гц. Далее, находят максимум на каждом сегменте, получают на выходе вектор признаков размером 14х40х8х350 (размерность вектора целей также понижается). Затем данные в полученном векторе центрируются и нормируются, как описано выше. Амплитуда приводится к диапазону [-1:1] либо остается в размерность разности потенциалов. The sensor electrodes of the myoelectric reader record the potential difference that occurs during muscle contraction, then the signal is amplified 1000 times (it is important to note that the amplification can be both directly on the electrode and on the ADC, in the latter case, the electrode represents only protected plates that transmit data to ADC) is filtered in the 5-500 Hz band and digitized in the ADC. Further, in the setup mode, the digitized signal is transmitted to the computer. Each digital signal sample for each gesture is associated with the number of the performed gesture for further training. The data for each gesture are connected into a matrix, respectively, at a sampling frequency of, for example, 500 or 1000 Hz, we have a data set of size 14x1000x8x14000 (14 gestures per
Таким образом, получают входной вектор признаков для обучения нейронной сети. Обучение происходит согласно описанному выше алгоритму на считывающем устройстве или на другом процессоре. Далее, новые значения весов сети записываются в контроллер системы считывания. После чего пользователь может использовать систему. Данные до сегментации и данные после сегментации сохраняются в базе данных на удаленном компьютере для возможности дальнейшего исследования и для пополнения обучающей выборки нейронной сети. Также далее возможно настроить соответствие жестов, выполняемых пользователем, и хватов, реализуемых исполнительным механизмом в ответ на жест пользователя, подключив исполнительный механизм к компьютеру или напрямую к системе считывания.Thus, an input feature vector for training a neural network is obtained. Training takes place according to the algorithm described above on a reader or on another processor. Further, the new values of the network weights are written to the controller of the reading system. Then the user can use the system. The data before segmentation and the data after segmentation are stored in a database on a remote computer to allow further research and to replenish the training sample of the neural network. It is also further possible to adjust the correspondence of gestures performed by the user and the grips implemented by the actuator in response to the user’s gesture by connecting the actuator to a computer or directly to the reading system.
Важно отметить, что количество распознаваемых схватов зависит в первую очередь от шага/перекрытия окна, и от алгоритма усреднения. Например если мы усредняем по 2м секундам, то и распознаем мы 1 жест за 2 секунды, а вот сколько данных мы пошлем на усреднение зависит от шага, если в отсчетах записать то n = fd/m, где n — количество распознанных схватов в секунду, fd — частота дискретизации, m — шаг окна в отсчетах. Можно записать это и через время, тогда n = 1/t, где t сдвиг окна в секундах.It is important to note that the number of recognizable grips depends primarily on the step / overlap of the window, and on the averaging algorithm. For example, if we average over 2 seconds, then we recognize 1 gesture in 2 seconds, but how much data we send to averaging depends on the step, if in the samples we write n = fd / m, where n is the number of recognized grips per second, fd is the sampling frequency, m is the window step in samples. You can write this down after a while, then n = 1 / t, where t is the window shift in seconds.
Затем при эксплуатации системы пользователь выполняет любой из четырнадцати жестов, затем происходит регистрация и обработка сигнала. Электроды датчика регистрируют разность потенциалов, возникающую при сокращении мышц, далее сигнал усиливается в 1000 раз, фильтруется в полосе 5-500 Гц и оцифровывается в АЦП. Далее, сигнал поступает на микроконтроллер системы считывания. Набирается число данных, равное ширине окна (25 мс), соответственно, при частоте дискретизации, например, 500 или 1000 Гц, имеем вектор данных размером 25х8 (25 отсчетов за 25 мс, 8 – число каналов), амплитуда сигнала находится в диапазоне от 100 мкВ до 1 мВ. Далее, находят максимум текущего сегмента, получают на выходе вектор размером 1х8. Затем данные в полученном векторе центрируются и нормируются, как описано выше. Амплитуда приводится к диапазону [-1:1] либо остается в размерность разности потенциалов. Далее вектор подается на вход нейронной сети, которая определяет класс жеста. На основе результата классификации создается управляющая команда и передается на исполнительный механизм. Результирующий схват, которые исполнительный механизм переводит в нужное действие может быть, как аналогичным выполненному пользователю, так и иным, заданным в настройках изначально. Важно отметить, что для детей может использоваться и иное число датчиков, число каналов, например 4 или 5. Дополнительно помимо данных ЭМГ на считывающем устройстве используются данные гироскопа и акселерометра и при необходимости, они могу передаваться отдельно либо через нейросетевую хэш-функцию на исполнительный механизм, который при необходимости может передавать информацию об обратной связи и запускать на миоэлектрическом устройстве считывания вибромотор и сигнализировать пользователю о чем-то.Then, during the operation of the system, the user performs any of fourteen gestures, then the signal is recorded and processed. The sensor electrodes record the potential difference that occurs during muscle contraction, then the signal is amplified 1000 times, filtered in the 5-500 Hz band and digitized in the ADC. Further, the signal is fed to the microcontroller of the reading system. A number of data is dialed equal to the width of the window (25 ms), respectively, at a sampling frequency of, for example, 500 or 1000 Hz, we have a data vector of size 25x8 (25 samples in 25 ms, 8 is the number of channels), the signal amplitude is in the range from 100 μV up to 1 mV. Next, find the maximum of the current segment, get the output size of 1x8. Then the data in the resulting vector are centered and normalized, as described above. The amplitude is reduced to the range [-1: 1] or remains in the dimension of the potential difference. Next, the vector is fed to the input of the neural network, which determines the class of gesture. Based on the classification result, a control command is created and transmitted to the actuator. The resulting grip, which the actuator translates into the desired action, can be either similar to the executed user or otherwise specified in the settings initially. It is important to note that for children a different number of sensors can be used, the number of channels, for example 4 or 5. In addition to the EMG data, the reader also uses data from the gyroscope and accelerometer and, if necessary, they can be transmitted separately or via a neural network hash function to the actuator , which, if necessary, can transmit feedback information and start the vibromotor on the myoelectric reader and signal the user about something.
Полученная информация по схватам и дополнительная информация передается на исполнительные механизмы. Пример управления виртуальной реальностью происходит следующим образом: данные по схватам и дополнительная информация от миоэлектрического устройства, то есть более точное определение положения руки или ноги, передают на очки виртуальной реальности соответствующую команду, либо получает информацию по обратной связи. Важно, что миоэлектрическое устройство считывания помимо данных по номерам схватов отправляет на очки информацию с гироскопа и акселерометра, что позволяет лучше определить положение руки в пространстве. Также очки виртуальной реальности способны передавать информацию обратной связи и запускать на миоэлектрическом устройстве считывания вибромотор, что позволяет создавать обратную связь, возможно также дополнительное расположение и других датчиков обратной связи и сенсоров.Received information on contractions and additional information is transmitted to the actuators. An example of managing virtual reality is as follows: data on grips and additional information from a myoelectric device, that is, a more accurate determination of the position of an arm or leg, transmit a corresponding command to virtual reality glasses, or receive information by feedback. It is important that the myoelectric reader, in addition to data on the numbers of the grips, sends information to the glasses from the gyroscope and accelerometer, which allows you to better determine the position of the hand in space. Also, virtual reality glasses are able to transmit feedback information and run a vibromotor on the myoelectric reader, which allows you to create feedback, it is also possible to additionally position other feedback sensors and sensors.
Управление радиоуправляемой моделью происходит следующим образом: после запуска обоих устройств, с подключением без посредников, устройство беспроводной связи миоэлектрическая система считывания подключается к устройству связи исполнительного механизма, в нашем случае для связи требуется знание мастером названия и пароля устройства связи исполнительного механизма. В том случае, если устройства связаны через посредника (компьютер, телефон), то устройство-посредник участвует в установке связи между приборами. Миоэлектрическое устройство считывания осуществляет регистрацию и фильтрацию электромиограммы (ЭМГ), определяет положение руки и в зависимости от него отправляет на модель соответствующую команду. Список команд: F –модель начинает движение вперёд пока не получит очередную команду, B – модель начинает движение назад пока не получит очередную команду, L – модель начинает движение налево пока приходит данная команда, после её окончания продолжает действие, которое выполняло до получения команды (движение вперёд, назад, бездействие), R – модель начинает движение направо пока приходит данная команда, после её окончания продолжает действие, которое выполняло до получения команды (движение вперёд, назад, бездействие), S – остановка модели. Модель получает команду, микросхема обрабатывает её в зависимости от команды, проводит манипуляции над моторчиками: начать вращение, изменить направление вращения, остановить. После выполнения текущей команды устройство готово к выполнению следующего. Также с модели может приходить на браслет информация обратной связи и запускать вибромотор на браслете или иные типы датчиков.The radio-controlled model is controlled as follows: after starting both devices, without connecting to intermediaries, the wireless communication device, the myoelectric reading system, is connected to the communication device of the actuator, in our case, communication requires the master to know the name and password of the communication device of the actuator. In the event that the devices are connected through an intermediary (computer, telephone), the intermediary device is involved in establishing communication between the devices. The myoelectric reader performs registration and filtering of the electromyogram (EMG), determines the position of the hand and, depending on it, sends the appropriate command to the model. List of commands: F - the model starts moving forward until it receives the next command, B - the model starts moving back until it receives the next command, L - the model starts moving left until this command arrives, after its completion continues the action that performed until the command was received ( moving forward, backward, inactivity), R - the model starts moving to the right until this command arrives, after its completion continues the action that performed until the command was received (moving forward, backward, inaction), S - stop the model. The model receives a command, the chip processes it depending on the command, performs manipulations on the motors: start rotation, change direction, stop. After executing the current command, the device is ready to perform the following. Also, feedback information can come from the model to the bracelet and start the vibration motor on the bracelet or other types of sensors.
Также возможен случай реализации системы реабилитации с очками виртуальной реальности, так и без них, а именно, когда происходит снятие данных например, по схватам с предплечья или плеча руки, и передача на компьютер или телефон для выполнения определенных схватов или движений в пространстве, движений, на компьютере или телефоне запущена программа, которая получает информацию и сигнализирует об успешном или неуспешном выполнении задания, возможна подача сигнала обратной связи на миоэлектрическое устройство.It is also possible that a rehabilitation system is implemented with or without virtual reality goggles, namely, when data is taken, for example, from the grips of the forearm or shoulder of the arm, and transferred to a computer or phone to perform certain grips or movements in space, movements, A program is launched on the computer or phone that receives information and signals the successful or unsuccessful completion of the task; a feedback signal can be sent to the myoelectric device.
Важно отметить, что миоэлектрическое устройство считывания также имеет режим работы электромиографа и вывода данных ЭМГ на циферблат миоэлектрическое устройство считывания или на экран исполнительного механизма, как компьютер или телефон, что лучше позволяет определить уровень сигнала от каждой мышцы или группы мышц.It is important to note that the myoelectric reader also has an electromyograph operating mode and the EMG data is output to the dial of the myoelectric reader or to the actuator screen, such as a computer or telephone, which makes it possible to better determine the signal level from each muscle or muscle group.
ИСПОЛЬЗУЕМЫЕ ИСТОЧНИКИ ИНФОРМАЦИИUSED INFORMATION SOURCES
1. Коуэн X. Л., Брумлик Дж. Руководство по электромиографии и электродиагностике: Пер. с англ.-М.: Медицина, 2005.- 192 с.1. Cowan X. L., Brumlik J. Guide to electromyography and electrodiagnostics: Per. from English.-M.: Medicine, 2005.- 192 p.
2. Ivaniuk Natallia, Ponimash Zahar, Karimov Vladimir “Art of Recognition the Electromyographic Signals for Control of the Bionic Artificial Limb of the Hand”, International Conference of Artificial Intelligence, Medical Engineering, Education AIMEE 2017: Advances in Artificial Systems for Medicine and Education, pp 176-181 https://link.springer.com/chapter/10.1007/978-3-319-67349-3_16.2. Ivaniuk Natallia, Ponimash Zahar, Karimov Vladimir “Art of Recognition the Electromyographic Signals for Control of the Bionic Artificial Limb of the Hand”, International Conference of Artificial Intelligence, Medical Engineering, Education AIMEE 2017: Advances in Artificial Systems for Medicine and Education , pp 176-181 https://link.springer.com/chapter/10.1007/978-3-319-67349-3_16.
3. Englehart K, Hudgins B: A robust, real-time control scheme for multifunction myoelectric control. IEEE Trans Biomed Eng 2003, 50(7):848-854.3. Englehart K, Hudgins B: A robust, real-time control scheme for multifunction myoelectric control. IEEE Trans Biomed Eng 2003, 50 (7): 848-854.
4. 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; 2010.4. 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.
5. 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/14/1/30.5. 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 (April 9, 2015) available at: http://www.biomedical-engineering-online.com/content/14/1/30.
6. Huihui L. Relationship of EMG/SMG features and muscle strength level: an exploratory study on tibialis anterior muscles during plantar-flexion among hemiplegia patients / Huihui Li, Guoru Zhao, Yongjin Zhou, Xin Chen, Zhen Ji, Lei Wang // BioMedical Engineering OnLine. -2014. 13:5 (27 January 2014) available at: http://www.biomedical-engineering-online.com/content/13/1/5.6. Huihui L. Relationship of EMG / SMG features and muscle strength level: an exploratory study on tibialis anterior muscles during plantar-flexion among hemiplegia patients / Huihui Li, Guoru Zhao, Yongjin Zhou, Xin Chen, Zhen Ji, Lei Wang // BioMedical Engineering OnLine. 2014. 13: 5 (January 27, 2014) available at: http://www.biomedical-engineering-online.com/content/13/1/5.
7. Saichon J, Chidchanok L, Suphakant P: A very fast neural learning for classification using only new incoming datum. IEEE Trans Neural Netw 2010.7. Saichon J, Chidchanok L, Suphakant P: A very fast neural learning for classification using only new incoming datum. IEEE Trans Neural Netw 2010.
Claims (34)
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2017146206A RU2683859C1 (en) | 2017-12-27 | 2017-12-27 | Method and system for controlling electronic devices by electromyographic reading device |
PCT/RU2017/000993 WO2019132692A1 (en) | 2017-12-27 | 2017-12-27 | Method and system for controlling electronic devices with the aid of an electromyographic reading device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2017146206A RU2683859C1 (en) | 2017-12-27 | 2017-12-27 | Method and system for controlling electronic devices by electromyographic reading device |
Publications (1)
Publication Number | Publication Date |
---|---|
RU2683859C1 true RU2683859C1 (en) | 2019-04-02 |
Family
ID=66090084
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2017146206A RU2683859C1 (en) | 2017-12-27 | 2017-12-27 | Method and system for controlling electronic devices by electromyographic reading device |
Country Status (2)
Country | Link |
---|---|
RU (1) | RU2683859C1 (en) |
WO (1) | WO2019132692A1 (en) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU196931U1 (en) * | 2019-10-21 | 2020-03-23 | Федеральное государственное автономное образовательное учреждение высшего образования "Белгородский государственный национальный исследовательский университет" (НИУ "БелГУ") | Muscle activity analyzer |
RU2725789C1 (en) * | 2019-04-17 | 2020-07-06 | Федеральное государственное казенное образовательное учреждение высшего образования "Калининградский пограничный институт Федеральной службы безопасности Российской Федерации" | Method of processing analogue signal arrays |
RU201260U1 (en) * | 2020-07-31 | 2020-12-08 | Общество с ограниченной ответственностью "Био Диджитал Технолоджи" | A device for recognizing gestures by detecting and analyzing muscle activity by electromyography |
RU204901U1 (en) * | 2020-09-29 | 2021-06-17 | Федеральное государственное автономное образовательное учреждение высшего образования "Московский политехнический университет" (Московский Политех) | MODULE FOR REGISTRATION AND PRIMARY PROCESSING OF BIOPOTENTIALS |
RU2766764C1 (en) * | 2021-03-04 | 2022-03-15 | Федеральное государственное бюджетное образовательное учреждение высшего образования «Юго-Западный государственный университет» (ЮЗГУ) (RU) | Method for assessing muscular fatigue based on control of synergy patterns and device for implementation thereof |
RU2803645C1 (en) * | 2022-12-28 | 2023-09-19 | Георгий Романович Арзуманов | Electronic device control system using biofeedback |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113589920B (en) * | 2020-04-30 | 2024-06-18 | 京东科技信息技术有限公司 | Gesture recognition method, man-machine interaction method, device, equipment and storage medium |
CN111700718B (en) * | 2020-07-13 | 2023-06-27 | 京东科技信息技术有限公司 | Method and device for recognizing holding gesture, artificial limb and readable storage medium |
CN111938660B (en) * | 2020-08-13 | 2022-04-12 | 电子科技大学 | Stroke patient hand rehabilitation training action recognition method based on array myoelectricity |
CN112842368A (en) * | 2021-02-01 | 2021-05-28 | 上海龙旗科技股份有限公司 | System and method for identifying surface electromyographic signals |
CN118161133A (en) * | 2024-05-13 | 2024-06-11 | 浙江强脑科技有限公司 | Method and device for evaluating gestures of bionic hand, storage medium and bionic hand |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2372880C1 (en) * | 2008-06-04 | 2009-11-20 | Алексей Леонидович Косик | Coordinate input device for remote hands-free computer control |
WO2011140303A1 (en) * | 2010-05-05 | 2011-11-10 | University Of Maryland, College Park | Time domain-based methods for noninvasive brain-machine interfaces |
EP2486897A2 (en) * | 2001-10-29 | 2012-08-15 | Duke University | Closed loop brain machine interface |
US20160195928A1 (en) * | 2015-01-02 | 2016-07-07 | Wearable Devices Ltd. | Closed loop feedback interface for wearable devices |
US20160313801A1 (en) * | 2015-01-02 | 2016-10-27 | Wearable Devices Ltd. | Method and apparatus for a gesture controlled interface for wearable devices |
US20160327979A1 (en) * | 2014-01-05 | 2016-11-10 | Vorbeck Materials Corp. | Wearable electronic devices |
-
2017
- 2017-12-27 RU RU2017146206A patent/RU2683859C1/en active
- 2017-12-27 WO PCT/RU2017/000993 patent/WO2019132692A1/en active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2486897A2 (en) * | 2001-10-29 | 2012-08-15 | Duke University | Closed loop brain machine interface |
RU2372880C1 (en) * | 2008-06-04 | 2009-11-20 | Алексей Леонидович Косик | Coordinate input device for remote hands-free computer control |
WO2011140303A1 (en) * | 2010-05-05 | 2011-11-10 | University Of Maryland, College Park | Time domain-based methods for noninvasive brain-machine interfaces |
US20160327979A1 (en) * | 2014-01-05 | 2016-11-10 | Vorbeck Materials Corp. | Wearable electronic devices |
US20160195928A1 (en) * | 2015-01-02 | 2016-07-07 | Wearable Devices Ltd. | Closed loop feedback interface for wearable devices |
US20160313801A1 (en) * | 2015-01-02 | 2016-10-27 | Wearable Devices Ltd. | Method and apparatus for a gesture controlled interface for wearable devices |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2725789C1 (en) * | 2019-04-17 | 2020-07-06 | Федеральное государственное казенное образовательное учреждение высшего образования "Калининградский пограничный институт Федеральной службы безопасности Российской Федерации" | Method of processing analogue signal arrays |
RU196931U1 (en) * | 2019-10-21 | 2020-03-23 | Федеральное государственное автономное образовательное учреждение высшего образования "Белгородский государственный национальный исследовательский университет" (НИУ "БелГУ") | Muscle activity analyzer |
RU201260U1 (en) * | 2020-07-31 | 2020-12-08 | Общество с ограниченной ответственностью "Био Диджитал Технолоджи" | A device for recognizing gestures by detecting and analyzing muscle activity by electromyography |
RU204901U1 (en) * | 2020-09-29 | 2021-06-17 | Федеральное государственное автономное образовательное учреждение высшего образования "Московский политехнический университет" (Московский Политех) | MODULE FOR REGISTRATION AND PRIMARY PROCESSING OF BIOPOTENTIALS |
RU2766764C1 (en) * | 2021-03-04 | 2022-03-15 | Федеральное государственное бюджетное образовательное учреждение высшего образования «Юго-Западный государственный университет» (ЮЗГУ) (RU) | Method for assessing muscular fatigue based on control of synergy patterns and device for implementation thereof |
RU2803645C1 (en) * | 2022-12-28 | 2023-09-19 | Георгий Романович Арзуманов | Electronic device control system using biofeedback |
Also Published As
Publication number | Publication date |
---|---|
WO2019132692A1 (en) | 2019-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2683859C1 (en) | Method and system for controlling electronic devices by electromyographic reading device | |
RU2635632C1 (en) | Method and system of intellectual bionic limb control | |
Rashid et al. | Current status, challenges, and possible solutions of EEG-based brain-computer interface: a comprehensive review | |
Jacob et al. | Artificial muscle intelligence system with deep learning for post-stroke assistance and rehabilitation | |
Zhao et al. | SSVEP-based brain–computer interface controlled functional electrical stimulation system for upper extremity rehabilitation | |
Ferreira et al. | Human-machine interfaces based on EMG and EEG applied to robotic systems | |
DEL R. MILLÁN et al. | Non-invasive brain-machine interaction | |
Birch et al. | Initial on-line evaluations of the LF-ASD brain-computer interface with able-bodied and spinal-cord subjects using imagined voluntary motor potentials | |
Milosevic et al. | Design challenges for wearable EMG applications | |
WO2017112679A1 (en) | Multimodal closed-loop brain-computer interface and peripheral stimulaiton for neuro-rehabilitation | |
WO2020065534A1 (en) | System and method of generating control commands based on operator's bioelectrical data | |
Lee et al. | SessionNet: Feature similarity-based weighted ensemble learning for motor imagery classification | |
Herath et al. | Controlling an Anatomical Robot Hand Using the Brain‐Computer Interface Based on Motor Imagery | |
Jiang et al. | Bio-robotics research for non-invasive myoelectric neural interfaces for upper-limb prosthetic control: A 10-year perspective review | |
Kastalskiy et al. | A neuromuscular interface for robotic devices control | |
Tabar et al. | Brain computer interfaces for silent speech | |
Chaudhry et al. | A prosthetic arm based on electroencephalography by signal acquisition and processing on MATLAB | |
KR102276991B1 (en) | Apparatus and method for controlling wearable robot by detecting motion intention of users based on brain machine interface | |
Ahmed et al. | A non Invasive Brain-Computer-Interface for Service Robotics | |
Kumar et al. | Human-computer interface technologies for the motor impaired | |
Choudhary et al. | A machine learning approach to aid paralysis patients using EMG signals | |
Miah et al. | Real-time eeg classification of voluntary hand movement directions using brain machine interface | |
Chopra | Ultra-Low latency in Human-machine Interfacing using EMG Onset Detection and Pattern Recognition | |
Suppiah et al. | BIO‐inspired fuzzy inference system—For physiological signal analysis | |
Murugan et al. | EMG signal classification using ANN and ANFIS for neuro-muscular disorders |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PD4A | Correction of name of patent owner | ||
PC41 | Official registration of the transfer of exclusive right |
Effective date: 20191213 |