RU2762775C1 - Method for deciphering electromyosignals and apparatus for implementation thereof - Google Patents
Method for deciphering electromyosignals and apparatus for implementation thereof Download PDFInfo
- Publication number
- RU2762775C1 RU2762775C1 RU2020134218A RU2020134218A RU2762775C1 RU 2762775 C1 RU2762775 C1 RU 2762775C1 RU 2020134218 A RU2020134218 A RU 2020134218A RU 2020134218 A RU2020134218 A RU 2020134218A RU 2762775 C1 RU2762775 C1 RU 2762775C1
- Authority
- RU
- Russia
- Prior art keywords
- neural network
- emg
- emg signal
- electromyosignal
- servo motor
- Prior art date
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- 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
Abstract
Description
Данное техническое решение относится к области медицинских реабилитирующих устройств и робототехники, в частности, к способам и системам для управления экзоскелетом при реабилитации людей с заболеваниями, приводящими к нарушениям опорно-двигательного аппарата и костно-мышечной системы, а также для использования в качестве человеко-машинных интерфейсов промышленных экзоскелетов. This technical solution relates to the field of medical rehabilitation devices and robotics, in particular, to methods and systems for controlling the exoskeleton in the rehabilitation of people with diseases leading to disorders of the musculoskeletal system and musculoskeletal system, as well as for use as a man-machine interfaces of industrial exoskeletons.
Для того чтобы различать и классифицировать мышечные движения, должны быть извлечены наиболее значимые части ЭМГ (признаки), которые представляют текущий сигнал в виде кода, несущего информацию о конкретном перемещении конечностей. Эта информация расшифровывается в декодере или классификаторе. По данным исследований, для классификации ЭМГ-сигналов применяются различные способы кодирования: спектральные коэффициенты, коэффициенты авторегрессии, вейвлет-коэффициенты. Однако, учитывая временные ограничения на дешифрацию команды, предпочтения отдают способам кодирования ЭМГ-сигнала во временной области на основе анализа амплитуд сигналов. Такие признаки могут быть легко определены, обладают высокой стабильностью для распознавания образов с помощью нейронных сетей. Для достижения лучших результатов в распознавании команд, код (вектор признаков) должен содержать достаточное количество информации, чтобы отражать существенные свойства ЭМГ-сигнала. Следовательно, основным требование к коду является его простота получения и скорость его декодирования (классификации команды). В качестве признаков используют 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 изложена в работе [Будко Р.Ю., Старченко И.Б. Создание классификатора мимических движений на основе анализа электромиограммы // Труды СПИИРАН. 2016. Вып. 46. С. 76-89.].In order to distinguish and classify muscle movements, the most significant parts of the EMG (signs) must be extracted, which represent the current signal in the form of a code that carries information about a specific movement of the limbs. This information is decrypted in a decoder or classifier. According to research data, various coding methods are used to classify EMG signals: spectral coefficients, autoregression coefficients, wavelet coefficients. However, given the time constraints on decoding the command, preference is given to coding an EMG signal in the time domain based on the analysis of signal amplitudes. Such features can be easily identified, have high stability for pattern recognition using neural networks. To achieve the best results in command recognition, the code (feature vector) must contain a sufficient amount of information to reflect the essential properties of the EMG signal. Consequently, the main requirement for the code is its ease of obtaining and the speed of its decoding (command classification). The following values in the time domain, measured as a function of time, are used as signs: integral EMG; average; the average value of the module; finite differences; the sum of elementary areas; dispersion; standard deviation; signal length; the maximum value of the EMG signal. More detailed information on the choice of features for classification is presented in the work [Budko R.Yu., Starchenko I.B. Creation of a classifier of facial movements based on the analysis of electromyogram // Proceedings of SPIIRAS. 2016. Issue. 46. S. 76-89.].
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, одного сигнала от, по меньшей мере, одного датчика; сегментирование, по меньшей мере, одного сигнала на окна данных; определение процессором класса окна данных из библиотеки классов окон; идентификацию высокой вероятности жеста для окна данных процессором, соответствующему жесту в библиотеке жестов, который имеет самую высокую вероятность того, что пользователем осуществляется определенный жест.The known method and system for identifying gestures, described in US 20150370333 A1, 24.12.2015. The system for identifying gestures includes at least one sensor responsive to gestures performed by the user, 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; segmenting at least one signal into data windows; processor definition of the data window class from the window class library; identifying a high likelihood of a gesture for the data window by the processor corresponding to a gesture in the gesture library that has the highest likelihood that a particular gesture is being performed by the user.
Недостатком системы и способа является технология классификации данных, которая предполагает соотнесение одного свойства окна данных с определенным классом, что приводит к привязке к одному окну нескольких классов и необходимости вычисления наиболее вероятного класса для текущего окна.The disadvantage of the system and method is the data classification technology, which involves the correlation of one property of the data window with a certain class, which leads to the binding of several classes to one window and the need to calculate the most probable class for the current window.
В качестве прототипа выбраны способ и система управления интеллектуальной бионической конечностью, описанные в [Патент РФ RU 2 635 632 C1. Способ и система управления интеллектуальной бионической конечностью/Н.М. Иванюк, В.Р. Каримов, Р.Ю. Будко, П.В. Гронский, С.М. Клейман. Опубликовано 14.11.2017. Бюл. № 32]. Способ содержит этапы, на которых: получают, по меньшей мере, один ЭМГ сигнал пациента посредством миоэлектрического устройства считывания; осуществляют обработку по меньшей мере одного ЭМГ-сигнала пациента посредством неперекрывающейся сегментации ЭМГ-сигнала; для каждого сегмента, полученного на предыдущем шаге, формируют набор признаков ЭМГ-сигнала на основе амплитуды ЭМГ-сигнала для классификации жестов; передают набор признаков ЭМГ-сигнала каждого сегмента по каналу передачи данных в систему управления интеллектуальной бионической конечностью; определяют тип жеста на основании набора признаков ЭМГ сигнала посредством использования искусственной нейронной сети; формируют управляющий сигнал на основании определенного типа жеста; передают сформированный управляющий сигнал на двигатели, приводящие в движение пальцы бионической конечности; получают обратную связь от системы управления интеллектуальной бионической конечностью посредством получения информации от внешних датчиков. Изобретение позволяет повысить точность позиционирования и принятия решения о захвате предмета. As a prototype, a method and a control system for an intelligent bionic limb described in [
Основным недостатком прототипа является то, что при формировании вектора информативных признаков на основе анализа сигнала ЭМГ в окне используются только амплитудные характеристики отсчетов ЭМГ, что приводит к потере информативности сигнала ЭМГ и высокому уровню ошибок в классификации команд. Повысить точность классификации команд в прототипе предлагается за счет дублирования сигналов ЭМГ по нескольким каналам и расшифровки сформированного таким образом вектора информативных признаков посредством обучаемой нейронной сети. Однако такое техническое решение может быть использовано только при съеме сигналов с верхних или нижних конечностей и неприемлемо при дешифрации ЭМГ мышц спины, расшифровка которых необходима при управлении реабилитационными экзоскелетами в режиме встать-сесть или промышленными экзоскелетами в режиме подъема груза. Кроме того, использование дублирующих каналов не приводит к повышению информативности сигнала, а направлено, скорее всего, на повышение его помехозащищенности. Это обстоятельство влечет за собой снижение надежности нейросетевого классификатора, на входы которого подаются высоко коррелированные признаки, полученные на основе анализа сигналов, зависящих не только от сигнала ЭМГ, но и от места положения электрода в текущем эксперименте или от различной динамики изменения кожного сопротивления под электродами в процессе эксперимента, что не может быть учтено в процессе обучения нейронной сети. The main disadvantage of the prototype is that when forming the vector of informative features based on the analysis of the EMG signal, only the amplitude characteristics of the EMG readings are used in the window, which leads to a loss of information content of the EMG signal and a high level of errors in the classification of commands. It is proposed to increase the accuracy of the classification of commands in the prototype by duplicating EMG signals on several channels and decoding the vector of informative signs formed in this way by means of a trained neural network. However, such a technical solution can only be used when picking up signals from the upper or lower extremities and is unacceptable for decoding the EMG of the back muscles, the decoding of which is necessary when controlling rehabilitation exoskeletons in the stand-up mode or industrial exoskeletons in the load lifting mode. In addition, the use of duplicate channels does not lead to an increase in the information content of the signal, but is most likely aimed at increasing its noise immunity. This circumstance entails a decrease in the reliability of the neural network classifier, the inputs of which are fed highly correlated signs obtained on the basis of the analysis of signals that depend not only on the EMG signal, but also on the location of the electrode in the current experiment or on the different dynamics of changes in the skin resistance under the electrodes in the experiment, which cannot be taken into account in the learning process of the neural network.
Технической задачей предлагаемых способа и устройства является минимизация ошибки при позиционировании экзоскелета посредством серводвигателей, управляемых по командам, получаемым по результатам декодирования электромиосигнала.The technical task of the proposed method and device is to minimize errors in positioning the exoskeleton by means of servo motors controlled by commands obtained from the results of decoding the electromyosignal.
Поставленная задача достигается тем, что в известном способе, заключающемся в получении, по меньшей мере, одного ЭМГ - сигнала пациента посредством миоэлектрического устройства считывания; обработку, по меньшей мере, одного ЭМГ-сигнала пациента посредством пошаговой сегментации ЭМГ-сигнала на пересекающиеся или на не пересекающиеся окна; формирования для каждого сегмента, полученного на предыдущем шаге, набора признаков ЭМГ-сигнала (вектора информативных признаков); передаче набора признаков ЭМГ-сигнала каждого сегмента по каналу передачи данных на классификатор, осуществляющий управление контроллером серводвигателей, который выполнен в виде обучаемой нейронной сети; формирование вектора информативных признаков для нейронной сети в нем осуществляют посредством многоуровневого компаратора, число уровней которого определяется размерностью вектора информативных признаков, а компоненты вектора информативных признаков
где TW-ширина окна в отсчетах, where TW is the width of the window in samples,
i –номер уровня компаратора, i is the number of the comparator level,
τ-номер отсчета в i-м окне;τ-number of the sample in the i-th window;
Θi – величина i-го уровня компарации;Θ i is the value of the i-th level of comparison;
xτ - отсчет сигнала ЭМГ с номером τ в окне TW;x τ - readout of the EMG signal with the number τ in the TW window;
а в классификаторе используется вторая нейронная сеть, предназначенная для обобщения данных, получаемых при классификации вектора информативных признаков текущего окна, число входов которой определяется числом окон ЭМГ, используемых при принятии решения о включении/выключении соответствующего серводвигателя.and the classifier uses a second neural network designed to generalize the data obtained during the classification of the vector of informative features of the current window, the number of inputs of which is determined by the number of EMG windows used when deciding whether to turn on / off the corresponding servo motor.
С целью адаптации функционального состояния пациента и процесса вертикализации посредством экзоскелета в дешифраторе используются множество дублирующих каналов ЭМГ-сигналов, связанных с мышцей или группами мышц, контролирующих движение одного и того же сустава конечностей, в результате чего на выходе классификатора каждого канала получаем число, соответствующее уверенности в команде на вращение серводвигателя экзоскелета, а для агрегации решений по каналам классификаторов все выходы классификаторов каналов поступают на нечеткую нейронную сеть, дефаззификатор которой формирует управляющий сигнал на контроллер серводвигателя, в результате анализа которого контроллер определяет скорость и направление вращения.In order to adapt the functional state of the patient and the process of verticalization by means of an exoskeleton, the decoder uses many duplicate channels of EMG signals associated with a muscle or muscle groups that control the movement of the same joint of the extremities, as a result of which, at the output of the classifier of each channel, we obtain a number corresponding to confidence in the command to rotate the exoskeleton servo motor, and for aggregation of solutions through the channels of the classifiers, all outputs of the channel classifiers are fed to a fuzzy neural network, the defuzzifier of which generates a control signal to the servo motor controller, as a result of which the controller determines the speed and direction of rotation.
по желанию ЛПР при классификации ЭМГ-сигнала на каждом шаге принятия решений данные с первой нейронной сети обновляются полностью, или обновляется только тот выход нейронной сети, который пришел первым, а все остальные компоненты вектора информативных признаков второй нейронной сети сдвигаются на один шаг.at the decision of the decision maker, when classifying the EMG signal, at each decision-making step, the data from the first neural network is updated completely, or only the output of the neural network that came first is updated, and all other components of the vector of informative features of the second neural network are shifted by one step.
С целью адаптации пациента и экзоскелета в устройство управления серводвигателями экзоскелета, содержащее последовательно соединенные миоэлектрическое устройство считывания, блок обработки ЭМГ-сигнала, бортовой процессор, осуществляющий дешифрацию электромиосигналов посредством нейросетевого классификатора, и контроллер серводвигателей, в него дополнительно введены дешифратор электромиосигналов, который включает последовательно соединенные блок компараторов, блок вычислителей информативных признаков, мультиплексор, первую нейронную сеть, блок памяти и вторую нейронную сеть, выходы которой предназначены для подключения к контроллеру серводвигателей, и синхронизатор, выходами подключенный к входам управления блока вычислителей, мультиплексора, блока памяти и контроллера серводвигателей. Для того, чтобы иметь возможность адаптировать устройство управления к функциональному состоянию пациента в него вводятся дополнительные каналы, каждый из которых является классификатором ЭМГ-сигнала, связанным с определенной мышцей или группой мышц, контролирующих движение одного и того же сустава конечностей, и третья нейронная сеть, входами подключенная к выходом канальных классификаторов, а выходом к контроллеру серводвигателей.In order to adapt the patient and the exoskeleton to the control device for the servo motors of the exoskeleton, which contains a serially connected myoelectric reader, an EMG signal processing unit, an onboard processor that decrypts electromyosignals by means of a neural network classifier, and a servo motor controller, an electromyosignal decoder is additionally introduced into it, which includes serially connected block of comparators, block of calculators of informative signs, multiplexer, first neural network, memory block and second neural network, the outputs of which are intended to be connected to the controller of servo motors, and a synchronizer, outputs connected to the control inputs of the block of calculators, multiplexer, memory block and controller of servo motors. In order to be able to adapt the control device to the functional state of the patient, additional channels are introduced into it, each of which is an EMG signal classifier associated with a specific muscle or a group of muscles that control the movement of the same joint of the limbs, and a third neural network, connected to the outputs of the channel classifiers, and the output to the servo motor controller.
На фиг.1 представлена структурная схема устройства, осуществляющего предлагаемый способ.Figure 1 shows a block diagram of a device that implements the proposed method.
На фиг. 2 представлена структурная схема блока обработки ЭМГ-сигнала.FIG. 2 shows a block diagram of an EMG signal processing unit.
На фиг. 3 представлена структурная схема классификатора окон ЭМГ-сигнала.FIG. 3 shows a block diagram of an EMG signal window classifier.
На фиг.4 представлена схема алгоритма реализации способа классификации ЭМГ на примере одного канала.Figure 4 shows a diagram of an algorithm for implementing the method for classifying EMG using one channel as an example.
На фиг. 5 представлена иллюстрация перехода от сигнала ЭМГ x(t) (фиг. 5а) к сигналу ЭМГ y(t) (фиг. 5б). FIG. 5 illustrates the transition from the EMG signal x (t) (Fig. 5a) to the EMG signal y (t) (Fig. 5b).
На фиг.6 представлена иллюстрация числа окон анализа: а) для окон без перекрытия, б) для перекрывающихся оконFigure 6 shows an illustration of the number of analysis windows: a) for windows without overlapping, b) for overlapping windows
На фиг. 7 представлены эпюры формирования управляющих импульсов на выходе синхронизатора.FIG. 7 shows the diagrams of the formation of control pulses at the output of the synchronizer.
На фиг. 8 представлен процесс реабилитации посредством вертикализации пациента, осуществляемый посредством простейшего устройства.FIG. 8 shows the process of rehabilitation by means of verticalization of the patient, carried out by means of a simple device.
На фиг. 9 представлены упрощенные кинематические схемы экзоскелета для режима вертикализации: 1 – голень, 2 – бедро, 3 – позвоночник, 4 – стопа; фиг. 9а – начальное состояние вертикализации, фиг. б – промежуточное состояние вертикализации, фиг.9в – конечное состояние вертикализации.FIG. 9 shows simplified kinematic diagrams of the exoskeleton for the verticalization mode: 1 - lower leg, 2 - thigh, 3 - spine, 4 - foot; fig. 9a - the initial state of verticalization, FIG. b - intermediate state of verticalization, Fig. 9c - final state of verticalization.
На фиг. 10 представлен анатомический атлас мышц нижних конечностей, с которых снимаются ЭМГ - сигналы, управляющие работой суставов при вертикализации пациента посредством экзоскелета - вид спереди. FIG. 10 shows the anatomical atlas of the muscles of the lower extremities, from which EMG is taken - signals that control the work of the joints during the verticalization of the patient by means of the exoskeleton - front view.
На фиг. 11 представлен анатомический атлас мышц нижних конечностей, с которых снимаются ЭМГ - сигналы, управляющие работой суставов при вертикализации пациента посредством экзоскелета – вид сбоку.FIG. 11 shows the anatomical atlas of the muscles of the lower extremities, from which EMG is taken - signals that control the work of the joints during the verticalization of the patient by means of the exoskeleton - side view.
На фиг. 12 представлен анатомический атлас мышц нижних конечностей, с которых снимаются ЭМГ - сигналы, управляющие работой суставов при вертикализации пациента посредством экзоскелета – вид сзади.FIG. 12 shows the anatomical atlas of the muscles of the lower extremities, from which EMG is taken - signals that control the work of the joints during the verticalization of the patient by means of the exoskeleton - rear view.
На фиг. 13 представлена структурная схема классификатора ЭМГ при использовании дублирующих каналов.FIG. 13 shows a block diagram of the EMG classifier when using duplicate channels.
На фиг. 14 представлены графики функций принадлежности для термов управления первым серводвигателем: 1 – «сесть быстро», 2 – «сесть в среднем темпе», 3 – «сесть медленно», 4 – «встать медленно», 4 – «встать медленно», 5 – «встать в среднем темпе», 6 – «встать быстро». FIG. 14 shows the graphs of membership functions for the control terms of the first servo motor: 1 - "sit down quickly", 2 - "sit down at an average pace", 3 - "sit down slowly", 4 - "get up slowly", 4 - "get up slowly", 5 - "Get up at an average pace", 6 - "get up quickly."
Способ осуществляется с помощью устройства, структурная схема которого представлена на фиг.1. Устройство фиг. 1 состоит из микроэлектродного устройства считывания 1, блока обработки ЭМГ – сигнала 2; бортового процессора 3, и контроллера серводвигателей 4.The method is carried out using a device, the structural diagram of which is shown in Fig. 1. The device of FIG. 1 consists of a
Блок обработки ЭМГ-сигналов фиг.2 состоит из последовательно соединенных блока компараторов 5, блока вычислителей 6 и мультиплексора 7.The EMG signal processing unit of FIG. 2 consists of a series-connected block of
Классификатор 8 фиг. 3 осуществляет дешифрацию электромиосигнала, в результате которой формируются управляющие команды на контроллер 4. Он реализуется посредством программного обеспечения бортового процессора 3 и состоит из последовательно соединенных первой нейронной сети 9, блока памяти 10 и второй нейронной сети 11, взаимодействием которых управляет синхронизатор 12, первый выход которого соединен со вторым входом блоком памяти 10, а второй выход –стробирует входы контроллера 4.
Способ реализуется посредством последовательности программных модулей 13…38 (фиг. 4). Сущность способа заключается в сегментации текущего сигнала ЭМГ на пересекающиеся или не пересекающиеся окна шириной TW с последующим формированием из отсчетов каждого окна xτ информативного признака FD. С этой целью осуществляют переход от текущего дискретного отсчета ЭМГ xτ к отсчету yτ, получаемому путем сравнения текущего отсчета с порогом Θ и вычисляемому согласно выражениюThe method is implemented by means of a sequence of
На основе отсчетов (1) вычисляют информативный признак в окне TW какBased on the readings (1), the informative feature in the TW window is calculated as
На эпюрах фиг. 5 показано, как из сигнала ЭМГ x(t) фиг. 5а получается сигнал y(t) фиг. 5б для одного порога Θ. На ширине окна можно использовать множество порогов Θ и как следствие, получить множество информативных признаков FD. The plots in Fig. 5 shows how from the EMG signal x (t) of FIG. 5a, the signal y (t) of FIG. 5b for one threshold Θ. A set of thresholds Θ can be used on the window width and, as a consequence, a set of informative features FD can be obtained.
Процедуру трансформации отсчетов сигнала ЭМГ согласно (1) осуществляет блок компараторов 5. Таким образом, одному отсчету xτ ставится в соответствие N отсчетов yτ, где N – число порогов компарации Θ. Эта процедура может осуществляться как на аппаратном, так и на программном уровне. На схеме алгоритма фиг.4 она представлена блоком 24 в виде параллельного вычисления (1), что соответствует аппаратному уровню реализации. В вычислителях блока вычислителей 6 реализуется процедура вычисления информативного признака (2). На схеме алгоритма фиг. 4 это блок 25. Через мультиплексор 7 полученный N - мерный вектор информативных признаков поступает на вход первой нейронной сети NET1. После классификации оконного электромиосигнала в NET1, соответствующее ее решение заносится в соответствующую ячейку памяти блока памяти 10. После этого необходимо пропустить W отсчетов и выполнить аналогичную процедуру (цикл блок 19 на схеме алгоритма фиг.4). Число анализируемых окон MW, необходимых для принятия решения, вводится в блоке 15 (фиг. 4). Если W>TW, то используются не перекрывающиеся окна. В противном случае используются окна с перекрытием. The procedure for transforming the EMG signal samples according to (1) is carried out by a block of
Эти информативные признаки являются входами обучаемой сети NET1, которая используется в качестве дешифратора сигналов ЭМГ (блок 11 на фиг. 3).These informative features are the inputs of the learning network NET1, which is used as a decoder of EMG signals (block 11 in Fig. 3).
Задавшись апертурой ЭМГ (блоки 14 и 15 фиг. 4), на которой принимается решение о включении соответствующего серводвигателя, можем выделить на ней множество окон, а, следовательно, множество выходов NET1. Так как выходы NET1 разнесены во времени, то для принятия решения по совокупности результатов этих выходов необходимы запоминающие устройства (блок 10 фиг. 3), в которых хранят эти результаты. После анализа соответствующего количества окон результаты этого анализа поступают на обучаемую нейронную сеть NET2 (блок 11 фиг. 3), выходы которой подключены к контроллеру серводвигателей 4 (фиг. 3).Given the EMG aperture (blocks 14 and 15 of Fig. 4), on which a decision is made to turn on the corresponding servo motor, we can select on it a set of windows, and, consequently, a set of NET1 outputs. Since the outputs of NET1 are spaced in time, to make a decision on the totality of the results of these outputs, memory devices (block 10 of FIG. 3) are needed, in which these results are stored. After analyzing the corresponding number of windows, the results of this analysis are fed to the trained neural network NET2 (block 11 of Fig. 3), the outputs of which are connected to the controller of the servo motors 4 (Fig. 3).
Число окон анализа, то есть входов NET2, зависит от времени дешифрации команды, зашифрованной в ЭМГ сигнале, и от минимального кванта информации, переносимого ЭМГ сигналом. По литературным источникам, временная апертура дешифрации ЭМГ сигнала составляет 250 мс, а минимальный информационный квант, то есть минимальный отрезок ЭМГ сигнала, который переносит релевантную информацию, составляет 25 мс. Таким образом, при использовании окон без перекрытия, MW=int(250/W). Если используются окна с перекрытием, то MW=int((250-TW)/W). Процесс определения числа окон анализа иллюстрирует фиг. 6. На фиг. 6а показан процесс формирования окон без перекрытия, а на фиг. 6б - процесс формирования окон с перекрытием. The number of analysis windows, that is, NET2 inputs, depends on the decryption time of the command encrypted in the EMG signal and on the minimum information quantum carried by the EMG signal. According to the literature, the time aperture for decoding the EMG signal is 250 ms, and the minimum information quantum, that is, the minimum segment of the EMG signal that carries the relevant information, is 25 ms. Thus, when using non-overlapping windows, MW = int (250 / W). If overlapped windows are used, then MW = int ((250-TW) / W). The process for determining the number of analysis windows is illustrated in FIG. 6. In FIG. 6a shows a process for forming windows without overlapping, and FIG. 6b - the process of forming overlapped windows.
Синхронизатор 12 (фиг. 3) синхронизирует работу блока обработки ЭМГ-сигнала 2 и классификатора 8, таким образом, чтобы формировалась последовательность векторов информативных признаков, характеризующих временные окна. На апертуре наблюдения ЭМГ сигнала, соответствующей MW окнам анализа, на входе NET2 необходимо сформировать вектор информативных признаков
Эпюры сигналов на выходе синхронизатора представлены на фиг. 7. На фиг. 7а показаны окна отсчетов сигнала x(t) ЭМГ. В данном примере представлен случай с не пересекающими окнами. На фиг. 7б показаны стробирующие сигналы, поступающие на мультиплексор и блок памяти. Эти сигналы переключают регистры адреса мультиплексора и блока памяти. На фиг. 6в показан стробирующий сигнал, сигнализирующий о том, что на выходах NET2 появилась релевантная информация. Строб формируется после того, как будет сформирован вектор
После включения соответствующего серводвигателя пользователь может выбрать два варианта дальнейшей работы (блок 16 фиг.4). Выбор этих вариантов осуществляется посредством оператора CASE в блоке 30. Если CASE равен 3, то осуществляется переход на блок 19, в котором осуществляется анализ следующих MW окон. Следовательно, следующая команда на серводвигатель может поступить только через TWхMW отсчетов. Это замедляет процесс принятия решений. Поэтому в алгоритме предусматривается ветвь 2, согласно которой при принятии решений у нейронной сети NET2 изменяется только вход, соответствующий первому результату анализа нейронной сети NET1. Остальные входы NET2 смещаются на единицу, в результате чего последний отчет замещается первым отсчетом следующего окна, а первый отсчет предшествующего окна замещается вторым отсчетом предшествующего окна. Эту процедуру реализуют блоки 35 и 36 алгоритма фиг. 4.After turning on the corresponding servomotor, the user can choose two options for further work (block 16 of Fig. 4). The choice of these options is carried out by means of the CASE statement in
Пример осуществления технического решенияAn example of the implementation of a technical solution
В последние годы все большее распространение получили устройства, названные экзоскелетонами (экзоскелетами), то есть внешними скелетами. Экзоскелет — устройство, предназначенное для расширения функциональных возможностей человека за счёт внешнего каркаса. Основной задачей таких аппаратов является оказание помощи человеку при перемещении в пространстве, в том числе и при ходьбе. С помощью экзоскелета решаются задачи расширения функциональных возможностей больных с нарушением опорно-двигательного аппарата, пострадавших в результате аварий или различных заболеваний, исключающих нормальное движение человека. Одним из способов реабилитации является вертикализация с помощью экзоскелета, то есть переход из положения "сидя" в положение "стоя".In recent years, devices called exoskeletons (exoskeletons), that is, external skeletons, have become more common. An exoskeleton is a device designed to expand human functionality through an external frame. The main task of such devices is to assist a person when moving in space, including when walking. With the help of an exoskeleton, the tasks of expanding the functional capabilities of patients with disabilities of the musculoskeletal system, who have suffered as a result of accidents or various diseases that exclude normal human movement, are solved. One of the rehabilitation methods is verticalization with the help of an exoskeleton, that is, the transition from a "sitting" position to a "standing" position.
Клиническое применение вертикализации доказало высокую эффективность в проведении реабилитационной терапии при самых различных неврологических нарушениях. Вертикализация позволяет эффективно улучшить и стабилизировать показатели сердечно-сосудистой системы, нормализовать процесс дыхания, улучшить подвижность мышц, активизировать работу и улучшить иннервацию опорно-двигательного аппарата. При этом вертикализация не только ускоряет процесс реабилитации, но и значительно снижает риск вторичных осложнений, связанных с длительной обездвиженностью пациента. Назначается также больным с ДЦП, спинальным дизрафизмом, мышечной дистрофией, рассеянным склерозом и т.д. при склонности к формированию сгибательных контрактур в тазобедренных и коленных суставах у детей, которые мало ходят или не ходят вообще, а передвигаются ползанием; наличии дисплазии тазобедренных суставов или состояния после операций на тазобедренных суставах; когнитивных нарушениях, отсутствии мотивации ребенка к вертикальному положению; спастичности и нарушении мышечного тонуса нижних конечностей, не позволяющих ребенку самостоятельно стоять без совершения патологических движений и принятия патологических поз. Вертикализаторы способствуют также освоению двигательных действий и развитию функций верхних конечностей. Эти устройства показаны для детей раннего возраста - с 9…12 мес.The clinical use of verticalization has proven to be highly effective in carrying out rehabilitation therapy for a wide variety of neurological disorders. Verticalization can effectively improve and stabilize the indicators of the cardiovascular system, normalize the breathing process, improve muscle mobility, activate work and improve the innervation of the musculoskeletal system. At the same time, verticalization not only speeds up the rehabilitation process, but also significantly reduces the risk of secondary complications associated with prolonged immobility of the patient. It is also prescribed for patients with cerebral palsy, spinal dysraphism, muscular dystrophy, multiple sclerosis, etc. with a tendency to form flexion contractures in the hip and knee joints in children who walk little or do not walk at all, but move by crawling; the presence of hip dysplasia or a condition after hip surgery; cognitive impairment, lack of motivation of the child to an upright position; spasticity and violation of the muscle tone of the lower extremities, which do not allow the child to stand independently without making pathological movements and adopting pathological poses. Verticalizers also contribute to the development of motor actions and the development of the functions of the upper extremities. These devices are shown for young children - from 9 to 12 months.
При систематическом использовании тренажерных устройств оказывается пассивное и активное воздействие на опорно-двигательную систему (мышцы, суставы), стимулируется или нормализуется деятельность структур головного мозга (гипоталамус, двигательные центры коры головного мозга и других отделов), активизация которых способствует поддержанию вертикальной позы, локомоторных актов, манипулированию предметами и т.д.With the systematic use of training devices, a passive and active effect on the musculoskeletal system (muscles, joints) is exerted, the activity of brain structures (hypothalamus, motor centers of the cerebral cortex and other departments) is stimulated or normalized, the activation of which contributes to the maintenance of an upright posture, locomotor acts , manipulating objects, etc.
При правильном и систематическом применении вертикализаторов повышается уравновешенность и подвижность процессов торможения и возбуждения в центральной нервной системе, нормализуются моторно-висцеральные рефлекторные связи, снижается мышечный тонус, улучшается координация движений.With the correct and systematic use of verticalizers, the balance and mobility of the processes of inhibition and excitation in the central nervous system increases, motor-visceral reflex connections are normalized, muscle tone decreases, and coordination of movements improves.
Многие зарубежные и отечественные фирмы, занимающиеся производством реабилитационного оборудования, предлагают широкий ассортимент вертикализаторов, предназначенных для детей различного возраста, а также взрослых с различным уровнем двигательной активности, локомоторными нарушениями и т.д.Many foreign and domestic companies engaged in the production of rehabilitation equipment offer a wide range of verticalizers designed for children of different ages, as well as adults with different levels of physical activity, locomotor disorders, etc.
Таким образом, применение вертикализации позволяет одновременно достичь нескольких целей:Thus, the use of verticalization allows you to simultaneously achieve several goals:
• предотвратить образование сгибательных контрактур в тазобедренных и коленных суставах;• prevent the formation of flexion contractures in the hip and knee joints;
• помочь при профилактике когнитивных нарушений, отсутствии мотивации ребенка к вертикальному положению, спастичности и нарушении мышечного тонуса нижних конечностей, не позволяющих ребенку самостоятельно стоять без совершения патологических движений и принятия патологических поз;• help in the prevention of cognitive impairment, lack of motivation of the child to an upright position, spasticity and impaired muscle tone of the lower extremities, which do not allow the child to stand on his own without making pathological movements and adopting pathological postures;
• помочь освоить двигательные действия и развить функции верхних конечностей;• help to master motor actions and develop the functions of the upper extremities;
• восстановить мышечную силу ног, избежать атрофии мышц;• restore the muscle strength of the legs, avoid muscle atrophy;
• восстановить навыки ходьбы;• restore walking skills;
• плавно адаптировать сердечно-сосудистую систему к физическим нагрузкам;• smoothly adapt the cardiovascular system to physical activity;
• предотвратить пролежни, пневмонию, нарушения мочеиспускания, дефекации и другие осложнения, связанные с длительной неподвижностью.• to prevent bedsores, pneumonia, urinary disorders, defecation and other complications associated with prolonged immobility.
Несмотря на многочисленные реабилитационные экзоскелеты на рынке медицинских услуг, на сегодняшний день нет эффективных алгоритмов, обеспечивающих устойчивое перемещение пациента в экзоскелете в процессе вертикализации, открытыми остаются вопросы математического моделирования поведения пациента в экзоскелете. Основной претензией к медицинским экзоскелетам со стороны специалистов является отсутствие возможности адаптации экзоскелета к конкретному пациенту, поэтому очень часто предпочитают более дешевые и более эффективные средства реабилитации по технологии вертикализации пациента. Despite the numerous rehabilitation exoskeletons on the market of medical services, today there are no effective algorithms that ensure stable movement of the patient in the exoskeleton in the process of verticalization; the questions of mathematical modeling of the patient's behavior in the exoskeleton remain open. The main complaint to medical exoskeletons on the part of specialists is the lack of the ability to adapt the exoskeleton to a specific patient; therefore, they often prefer cheaper and more effective means of rehabilitation based on the technology of patient verticalization.
На фиг. 8 показан процесс вертикализации пациента с опорой для рук, которая выступает в качестве простейшего реабилитационного изделия. Несмотря на простату такого реабилитирующего приспособления, очень часто ему отдают предпочтение и отказываются от реабилитирующих экзоскелетов в связи с проблемами их управления и сложностью адаптации под показатели функционального состояния пациента.FIG. 8 shows the process of verticalizing a patient with a hand support, which acts as the simplest rehabilitation product. Despite the prostate of such a rehabilitating device, very often they give preference to it and refuse rehabilitating exoskeletons due to the problems of their control and the difficulty of adapting to the indicators of the patient's functional state.
На фиг. 9 показана упрощенная кинематическая схема экзоскелета для режима вертикализации. Для простоты расчетов полагаем, что φ1=90° и не изменяется в процессе вертикализации (этот случай показан на фиг.9), тогда процесс вертикализации может быть осуществлен с помощью двух серводвигателей СД1 и СД2, управляющих углами φ2 и φ3, соответственно. FIG. 9 shows a simplified kinematic diagram of an exoskeleton for verticalization mode. For simplicity of calculations, we assume that φ1 = 90 ° and does not change during verticalization (this case is shown in Fig. 9), then the verticalization process can be carried out using two servomotors SD1 and SD2, controlling the angles φ2 and φ3, respectively.
Для управления процессом вертикализации используются электромиосигналы, получаемые посредством электродов, установленных в области тех мышц, которые участвуют в вертикализации. Анатомический атлас этих мышц с помеченными местами возможной установки электродов, приведен на фиг. 10, фиг. 11, фиг. 12.To control the process of verticalization, electromyosignals are used, received by means of electrodes installed in the area of those muscles that are involved in verticalization. An anatomical atlas of these muscles with marked places for possible electrode placement is shown in Fig. 10, figs. 11, fig. 12.
Для управления серводвигателями в процессе вертикализации используем пять каналов ЭМГ, которые считывают сигнал ЭМГ с большой ягодичной мышцы, двуглавой мышца бедра, полуперепончатой мышцы, полусухожильной мышцы, большой приводящей мышцы. Процесс вертикализации управляется посредством дешифрации ЭМГ в каналах и скорость вертикализации зависит от интенсивности ЭМГ сигналов в каналах. При определенных сочетаниях интенсивностей ЭМГ в каналах, серводвигатели могут остановиться в любой фазе вертикализации. В этом случае, чувствуя, что у него "не хватает сил встать", пациент захочет сесть. В этом случае возможна генерация соответствующих сигналов ЭМГ, которые могут быть использованы для реверса серводвигателей. Для осуществления режима "сесть" используются каналы ЭМГ с подвздошно-поясничной мышцы (фиг. 12). Таким образом, для вертикализатора в качестве дешифратора ЭМГ сигналов необходимо использовать, как минимум, шесть каналов ЭМГ и еще одну нейросетевую структуру, используемую в качестве агрегатора дешифраторов канальных ЭМГ. Структурная схема такого дешифратора показана на фиг. 13.To control the servomotors during verticalization, we use five EMG channels, which read the EMG signal from the gluteus maximus muscle, the biceps femoris muscle, the semimembranosus muscle, the semitendinosus muscle, and the adductorus major muscle. The verticalization process is controlled by decoding the EMG in the channels and the verticalization rate depends on the intensity of the EMG signals in the channels. With certain combinations of EMG intensities in the channels, the servomotors can stop at any phase of verticalization. In this case, feeling that he “does not have the strength to stand up,” the patient will want to sit up. In this case, it is possible to generate appropriate EMG signals that can be used to reverse the servomotors. To implement the "sit down" mode, EMG channels from the iliopsoas muscle are used (Fig. 12). Thus, for the verticalizer, as a decoder of EMG signals, it is necessary to use at least six EMG channels and one more neural network structure used as an aggregator of decoders of channel EMG. The block diagram of such a decoder is shown in Fig. thirteen.
Нейронная сеть NET3 является нечеткой нейронной сетью. Ее выходы вычисляются путем дефаззификации шести функций принадлежности, которые для первого серводвигателя представленны на фиг. 14. Управление вторым серводвигателем осуществляется контроллером серводвигателей на основе модели движения экзоскелета в режиме «встать – сесть». Параметры модели адаптируются под физическое состояние пациента, что позволяет устранить основной недостаток известных реабилитирующих экзоскелетов.The neural network NET3 is a fuzzy neural network. Its outputs are calculated by defuzzifying six membership functions, which for the first servo motor are shown in FIG. 14. The second servo motor is controlled by the servo motor controller based on the model of movement of the exoskeleton in the "stand up and sit down" mode. The parameters of the model are adapted to the physical condition of the patient, which eliminates the main disadvantage of the known rehabilitating exoskeletons.
Claims (13)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2020134218A RU2762775C1 (en) | 2020-10-19 | 2020-10-19 | Method for deciphering electromyosignals and apparatus for implementation thereof |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2020134218A RU2762775C1 (en) | 2020-10-19 | 2020-10-19 | Method for deciphering electromyosignals and apparatus for implementation thereof |
Publications (1)
Publication Number | Publication Date |
---|---|
RU2762775C1 true RU2762775C1 (en) | 2021-12-22 |
Family
ID=80039271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2020134218A RU2762775C1 (en) | 2020-10-19 | 2020-10-19 | Method for deciphering electromyosignals and apparatus for implementation thereof |
Country Status (1)
Country | Link |
---|---|
RU (1) | RU2762775C1 (en) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150370333A1 (en) * | 2014-06-19 | 2015-12-24 | Thalmic Labs Inc. | Systems, devices, and methods for gesture identification |
US20160255305A1 (en) * | 2006-02-15 | 2016-09-01 | Kurtis John Ritchey | Non-Interference Field-of-view Support Apparatus for a Panoramic Sensor |
RU2635632C1 (en) * | 2016-12-14 | 2017-11-14 | Общество с ограниченной ответственностью "Бионик Натали" | Method and system of intellectual bionic limb control |
-
2020
- 2020-10-19 RU RU2020134218A patent/RU2762775C1/en active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160255305A1 (en) * | 2006-02-15 | 2016-09-01 | Kurtis John Ritchey | Non-Interference Field-of-view Support Apparatus for a Panoramic Sensor |
US20150370333A1 (en) * | 2014-06-19 | 2015-12-24 | Thalmic Labs Inc. | Systems, devices, and methods for gesture identification |
RU2635632C1 (en) * | 2016-12-14 | 2017-11-14 | Общество с ограниченной ответственностью "Бионик Натали" | Method and system of intellectual bionic limb control |
Non-Patent Citations (1)
Title |
---|
Development of Wireless emg & voice control system for rehabilitation devices, A thesis submitted in partial fulfillment of the requirement for the degree of Master of Technology In Biotechnology & Medical Engineering PRASHANT DUBEY, Department of Biotechnology and Medical Engineering National Institute Of Technology Rourkela Rourkela, Odisha, 769 008, India June 2014. * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Martinez-Hernandez et al. | Adaptive Bayesian inference system for recognition of walking activities and prediction of gait events using wearable sensors | |
US10092205B2 (en) | Methods for closed-loop neural-machine interface systems for the control of wearable exoskeletons and prosthetic devices | |
Lee et al. | Design of a gait phase recognition system that can cope with EMG electrode location variation | |
Figueiredo et al. | Daily locomotion recognition and prediction: A kinematic data-based machine learning approach | |
Wang et al. | sEMG-based consecutive estimation of human lower limb movement by using multi-branch neural network | |
Turlapaty et al. | Feature analysis for classification of physical actions using surface EMG data | |
Wang et al. | Bionic control of exoskeleton robot based on motion intention for rehabilitation training | |
Wu et al. | Gait phase classification for a lower limb exoskeleton system based on a graph convolutional network model | |
Lee et al. | Image transformation and CNNs: A strategy for encoding human locomotor intent for autonomous wearable robots | |
Hu et al. | EEG-based classification of upper-limb ADL using SNN for active robotic rehabilitation | |
Cavallaro et al. | On the intersubject generalization ability in extracting kinematic information from afferent nervous signals | |
Wannawas et al. | Neuromechanics-based deep reinforcement learning of neurostimulation control in FES cycling | |
Wang et al. | Lower limb motion recognition based on surface electromyography signals and its experimental verification on a novel multi-posture lower limb rehabilitation robots☆ | |
Trifonov et al. | Human–Machine Interface of Rehabilitation Exoskeletons with Redundant Electromyographic Channels | |
Pancholi et al. | DLPR: Deep learning-based enhanced pattern recognition frame-work for improved myoelectric prosthesis control | |
RU2762775C1 (en) | Method for deciphering electromyosignals and apparatus for implementation thereof | |
Nguyen et al. | Improved head direction command classification using an optimised Bayesian neural network | |
Liuy et al. | Spiking-neural-network based Fugl-Meyer hand gesture recognition for wearable hand rehabilitation robot | |
Ensastiga et al. | Speed controller-based fuzzy logic for a biosignal-feedbacked cycloergometer | |
Howard et al. | Non-contact versus contact-based sensing methodologies for in-home upper arm robotic rehabilitation | |
Trifonov et al. | Biotechnical system for control to the exoskeleton limb based on surface myosignals for rehabilitation complexes | |
Kumarasinghe et al. | espannet: Evolving spike pattern association neural network for spike-based supervised incremental learning and its application for single-trial brain computer interfaces | |
Park et al. | Data-driven modeling for gait phase recognition in a wearable exoskeleton using estimated forces | |
Kim et al. | Enhancement of sEMG-based gesture classification using mahanobis distance metric | |
van Dellen et al. | 1D-Convolutional Neural Networks can quantify therapy content of children and adolescents walking in a robot-assisted gait trainer |