Различия паттернов интерференционной миограммы с мышц предплечья при разных вариантах кистевого хвата

Введение. Большинство современных биопротезов используют для регистрации мышечной активности 2 датчика, расположенные на мышцах сгибателях и разгибателях кисти и пальцев, что резко ограничивает функционал изделия и усложняет переключение между хватами. Одним из решений данной проблемы является использование массива из большего количества датчиков для распознавания различных хватов с помощью нейронной сети.

Цель исследования – оценить принципиальную возможность использования массива из 8 датчиков для распознавания различных хватов.

Материалы и методы. Проведено исследование, включившее 23 здоровых добровольца, у которых регистрировалась поверхностная миограмма при 13 различных хватах. В качестве технической базы использовались массив из 8 электронейромиографических датчиков поверхностного типа с биполярными электродами и коэффициентом усиления электронейромиографического сигнала 2000 раз, миограф и программное обеспечение собственной разработки.

Результаты. У большинства испытуемых различия в исследованных параметрах при сравнении хватов между собой достигали тысяч процентов, в особенности при сравнении произведения частоты и средней амплитуды. В некоторых парах различия были менее значимы и составляли <400 %. Доля пар с достоверными различиями отличалась у разных испытуемых при сравнении произведения частоты и средней амплитуды и составляла от 71 до 98 %. Среднее значение для всей группы – 87 %. При сравнении только частоты разброс составляет от 67 до 93 %, в среднем – 78 %.

Выводы. У большинства испытуемых большая часть хватов уверенно различаются между собой. По причине выраженных индивидуальных особенностей решение об использовании того или иного параметра для управления биопротезом у конкретного человека носит индивидуальный характер и должно приниматься после тщательного нейрофизиологического исследования. Части пациентов потребуется обучение с целью выработки нового двигательного стереотипа.

1. Плотников А.А. Алгоритм управления движением протеза кисти руки человека. Матрица научного познания 2019;(6):87–4.

2. Безъязычный В.Ф., Елисеичев Е.А., Воробьев П.С. и др. Обзор способов считывания ЭМГ-сигналов в области предплечья для управления бионическими протезами верхних конечностей. Биомедицинская радиоэлектроника 2023;26(1):35–10. DOI: 10.18127/j15604136-202301-04

3. Горохова Н.М., Головин М.А., Чежин М.С. Методы управления протезами верхних конечностей. Научно-технический вестник информационных технологий, механики и оптики 2019;19(2):314–2. DOI: 10.17586/2226-1494-2019-19-2-314-325

4. Будко Р.Ю., Чернов Н.Н., Будко А.Ю. и др. Распознавание электромиограммы предплечья и выбор жестов для управления протезом. Моделирование, оптимизация и информационные технологии 2019;24(1):17, 18. DOI: 10.26102/2310-6018/2019.24.1.017

5. Phinyomark A., Phukpattaranont P., Limsakul C. Investigating long-term effects of feature extraction methods for continuous EMG pattern classification. Fluctuation Noise Lett 2012;11(4):1250028. DOI: 10.1142/S0219477512500289

6. Бранчукова Д.А., Перегудова О.О., Киллер А.И. и др. Нейросетевое управление бионическим протезом. Вестник молодежной науки России 2020;(1):15.

7. Bhagwat S., Mukherji P. Electromyogram (EMG) based fingers movement recognition using sparse filtering of wavelet packet coefficients. Sādhanā 2020;45(3):11. DOI: 10.1007/s12046-019-1231-9