Розгляд ефективності та точності системи збору та обробки ЕМГ сигналів, отриманих за допомогою браслета
DOI:
https://doi.org/10.15587/2706-5448.2024.306428Ключові слова:
браслет, електроміографія, біонічний протез, система збору даних, обробка сигналів, алгоритми машинного навчанняАнотація
Об'єктом дослідження є браслет, що використовує метод електроміографії (ЕМГ) для керування біонічним протезом. В умовах розвитку сучасних біомедичних технологій та робототехніки така система стає ключовою для покращення якості життя людей з обмеженими можливостями, забезпечуючи ефективне та точне керування протезами. Проблема, яка розглядається в дослідженні, полягає у розробці та аналізі системи керування біонічним протезом за допомогою браслета, що використовує метод ЕМГ. Основна увага приділяється оптимізації процесів збору та обробки даних, а також розробці алгоритмів машинного навчання для розпізнавання жестів з метою підвищення точності та ефективності керування протезом.
Суть отриманих результатів полягає в розробці та тестуванні нової системи керування біонічним протезом, що використовує ЕМГ-сигнали, отримані за допомогою браслета. Дослідження показало, що класифікатор на основі методу опорних векторів перевершує інші алгоритми, такі як нейронні мережі та дерева рішень, досягаючи середньої точності 90 %. Отримані дані були успішно відфільтровані та піддані виділенню ознак, що дозволило створити ефективні алгоритми розпізнавання жестів. Система була протестована в реальному часі, що підтвердило її високу точність та ефективність.
Запропонована система включає в себе інноваційний браслет для збору ЕМГ-даних, які потім обробляються та аналізуються з використанням сучасних алгоритмів машинного навчання. Інноваційїсть запропонованого підходу полягає не лише у високій точності розпізнавання жестів, але й у можливості адаптації системи до різних типів біонічних протезів та умов експлуатації. Це досягається за рахунок використання класифікатора на основі методу опорних векторів, що демонструє значно вищу точність порівняно з іншими алгоритмами, такими як нейронні мережі та дерева рішень. Результати тестування показують середню точність на рівні 92,5 %, що підтверджує високу ефективність системи.
Застосування цієї системи передбачає інтенсивне використання ЕМГ-датчиків, що дозволяє точніше визначати наміри користувача щодо управління протезом. Це, у свою чергу, сприяє покращенню якості життя користувачів, забезпечуючи їм більшу функціональність та зручність у використанні біонічних протезів.
Посилання
- Hye, N. M., Hany, U., Chakravarty, S., Akter, L., Ahmed, I. (2023). Artificial Intelligence for sEMG-Based Muscular Movement Recognition for Hand Prosthesis. IEEE Access, 11, 38850–38863. doi: https://doi.org/10.1109/access.2023.3267674
- Noce, E., Dellacasa Bellingegni, A., Ciancio, A. L., Sacchetti, R., Davalli, A., Guglielmelli, E., Zollo, L. (2019). EMG and ENG-envelope pattern recognition for prosthetic hand control. Journal of Neuroscience Methods, 311, 38–46. doi: https://doi.org/10.1016/j.jneumeth.2018.10.004
- Beyrouthy, T., Al Kork, S. K., Korbane, J. A., Abdulmonem, A. (2016). EEG Mind controlled Smart Prosthetic Arm. 2016 IEEE International Conference on Emerging Technologies and Innovative Business Practices for the Transformation of Societies (EmergiTech). doi: https://doi.org/10.1109/emergitech.2016.7737375
- Shahsavari, H., Matourypour, P., Ghiyasvandian, S., Ghorbani, A., Bakhshi, F., Mahmoudi, M., Golestannejad, M. (2020). Upper limb amputation; Care needs for reintegration to life: An integrative review. International Journal of Orthopaedic and Trauma Nursing, 38, 100773. doi: https://doi.org/10.1016/j.ijotn.2020.100773
- D’Anna, E., Valle, G., Mazzoni, A., Strauss, I., Iberite, F., Patton, J. et al. (2019). A closed-loop hand prosthesis with simultaneous intraneural tactile and position feedback. Science Robotics, 4 (27). doi: https://doi.org/10.1126/scirobotics.aau8892
- Zhang, Yang, Qian, Zhang. (2019). Real-Time Surface EMG Pattern Recognition for Hand Gestures Based on an Artificial Neural Network. Sensors, 19 (14), 3170. doi: https://doi.org/10.3390/s19143170
- Bi, L., Feleke, A., Guan, C. (2019). A review on EMG-based motor intention prediction of continuous human upper limb motion for human-robot collaboration. Biomedical Signal Processing and Control, 51, 113–127. doi: https://doi.org/10.1016/j.bspc.2019.02.011
- Zhang, Y., Xiao, R., Harrison, C. (2016). Advancing Hand Gesture Recognition with High Resolution Electrical Impedance Tomography. Proceedings of the 29th Annual Symposium on User Interface Software and Technology. Tokyo, 843–850. doi: https://doi.org/10.1145/2984511.2984574
- Maat, B., Smit, G., Plettenburg, D., Breedveld, P. (2018). Passive prosthetic hands and tools. Prosthetics & Orthotics International, 42 (1), 66–74. doi: https://doi.org/10.1177/0309364617691622
- Shi, W.-T., Lyu, Z.-J., Tang, S.-T., Chia, T.-L., Yang, C.-Y. (2018). A bionic hand controlled by hand gesture recognition based on surface EMG signals: A preliminary study. Biocybernetics and Biomedical Engineering, 38 (1), 126–135. doi: https://doi.org/10.1016/j.bbe.2017.11.001
- Unanyan, N. N., Belov, A. A. (2020). A Real-Time Fail-Safe Algorithm for Decoding of Myoelectric Signals to Control a Prosthetic Arm. 2020 21th International Carpathian Control Conference (ICCC). doi: https://doi.org/10.1109/iccc49264.2020.9257287
- Abdhul, A. A., Subramani, D., Ganesan, J., Subramaniam, S., Dharani, K. G. (2020). Design and Development of EMG Based Prosthetic Arm. 2020 6th International Conference on Advanced Computing and Communication Systems (ICACCS). doi: https://doi.org/10.1109/icaccs48705.2020.9074206
- Prakash, A., Sahi, A. K., Sharma, N., Sharma, S. (2020). Force myography controlled multifunctional hand prosthesis for upper-limb amputees. Biomedical Signal Processing and Control, 62, 102122. doi: https://doi.org/10.1016/j.bspc.2020.102122
- Li, X., Fu, J., Xiong, L., Shi, Y., Davoodi, R., Li, Y. (2015). Identification of finger force and motion from forearm surface electromyography. Proceedings of the IEEE International Conference on Multisensor Fusion and Integration for Intelligent Systems (MFI). San Diego, 316–321. doi: https://doi.org/10.1109/mfi.2015.7295827
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2024 Ruslan Bilyi
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.
