Мобильная система управления экзоскелетом с помощью электромиографических сигналов мышц человека

М.А. Хоружко, Г.Н. Сесекин, Н.В. Болдырева, М.О. Шамшин, И.А. Кастальский, В.И. Миронов, А.С. Пимашкин, В.Б. Казанцев

Ключевые слова: поверхностная электромиография; нейроинтерфейс; нейрореабилитация; интеллектуальное ассистирование; экзоскелет.

2017, том 9, номер 4, стр. 162.

DOI: https://doi.org/10.17691/stm2017.9.4.20

Полный текст статьи

html pdf

5354

4734

Цель исследования — разработать беспроводную систему регистрации и анализа электромиографической (ЭМГ) активности мышц человека для интеллектуального ассистирования пациентам с моторными нарушениями.

Результаты. Разработаны и протестированы одноканальная и четырехканальная системы трансляции сигналов напряжения мышц в управляющие команды экзоскелета и алгоритмы управления. Отличительными их особенностями являются мобильность, портативность и наличие беспроводных датчиков-усилителей (миографов) ЭМГ-сигнала. Экспериментальные исследования обеих систем показали высокое качество ЭМГ-сигнала и возможность пропорционального управления исполнительными устройствами. Области применения мобильного миографа — функциональная диагностика, нейроинтерфейсы, медицинская реабилитация, ассистивные устройства, системы управления, игровые приложения.

Каплан А.Я. Нейрофизиологические основания и практические реализации технологии мозг-машинных интерфейсов в неврологической реабилитации. Физиология человека 2016; 42(1): 118–127, https://doi.org/10.7868/S0131164616010100.
De Luca C.J., Kuznetsov M., Gilmore L.D., Roy S.H. Inter-electrode spacing of surface EMG sensors: reduction of crosstalk contamination during voluntary contractions. J Biomech 2012; 45(3): 555–561, https://doi.org/10.1016/j.jbiomech.2011.11.010.
Saponas T.S., Tan D.S., Morris D., Balakrishnan R. Demonstrating the feasibility of using forearm electromyography for muscle-computer interfaces. In: CHI ‘08 Proceedings of the SIGCHI Conference on Human Factors in Computing Systems. ACM Press; 2008, 515–524, https://doi.org/10.1145/1357054.1357138.
Chaudhary A., Raheja J.L. Bent fingers’ angle calculation using supervised ANN to control electro-mechanical robotic hand. Computers & Electrical Engineering 2013; 39(2): 560–570, https://doi.org/10.1016/j.compeleceng.2012.07.012.
Mathiassen S.E., Winkel J., Hägg G.M. Normalization of surface EMG amplitude from the upper trapezius muscle in ergonomic studies — a review. J Electromyogr Kinesiol 1995; 5(4): 197–226, https://doi.org/10.1016/1050-6411(94)00014-X.
Jiang Y., Sakoda S., Hoshigawa S., Ye H., Yabuki Y., Nakamura T., Ishihara M., Takagi T., Takayama S., Yokoi H. Development and evaluation of simplified EMG prosthetic hands. In: 2014 IEEE International Conference on Robotics and Biomimetics (ROBIO 2014). IEEE; 2014; 1368–1373, https://doi.org/10.1109/ROBIO.2014.7090524.
Lobov S., Mironov V., Kastalskiy I., Kazantsev V. A spiking neural network in sEMG feature extraction. Sensors 2015; 15(11): 27894–27904, https://doi.org/10.3390/s151127894.
Siqueira Júnior A.L.D., Soares A.B. A novel method for EMG decomposition based on matched filters. Res Biomed Eng 2015; 31(1): 44–55, https://doi.org/10.1590/2446-4740.0643.
Huang H.-P., Liu Y.-H., Liu L.-W., Wong C.-S. EMG classification for prehensile postures using cascaded architecture of neural networks with self-organizing maps. In: 2003 IEEE International Conference on Robotics and Automation. IEEE; 2003; 1497–1502, https://doi.org/10.1109/ROBOT.2003.1241803.
Christodoulou C.I., Pattichis C.S. Unsupervised pattern recognition for the classification of EMG signals. IEEE Trans Biomed Eng 1999; 46(2): 169–178, https://doi.org/10.1109/10.740879.
Micera S., Carpaneto J., Raspopovic S. Control of hand prostheses using peripheral information. IEEE Rev Biomed Eng 2010; 3: 48–68, https://doi.org/10.1109/RBME.2010.2085429.
Molanes R.F., Fariña J., Rodríguez-Andina J.J., Portela M. Design of a muscle activity monitor for rehabilitation of post-stroke patients. In: 2015 IEEE International Conference on Industrial Technology (ICIT). IEEE; 2015; p. 1427–1432, https://doi.org/10.1109/icit.2015.7125297.
Tsukahara A., Kawanishi R., Hasegawa Y., Sankai Y. Sit-to-stand and stand-to-sit transfer support for complete paraplegic patients with robot suit HAL. Advanced Robotics 2010; 24(11): 1615–1638, https://doi.org/10.1163/016918610x512622.
Strausser K.A., Kazerooni H. The development and testing of a human machine interface for a mobile medical exoskeleton. In: 2011 IEEE/RSJ International Conference on Intelligent Robots and Systems. IEEE; 2011; p. 4911–4916, https://doi.org/10.1109/iros.2011.6095025.
Zeilig G., Weingarden H., Zwecker M., Dudkiewicz I., Bloch A., Esquenazi A. Safety and tolerance of the ReWalk™ exoskeleton suit for ambulation by people with complete spinal cord injury: a pilot study. J Spinal Cord Med 2012; 35(2): 96–101, https://doi.org/10.1179/2045772312y.0000000003.
Koller J.R., Jacobs D.A., Ferris D.P., Remy C.D. Learning to walk with an adaptive gain proportional myoelectric controller for a robotic ankle exoskeleton. J Neuroeng Rehabil 2015; 12(1): 97, https://doi.org/10.1186/s12984-015-0086-5.
Tang Z., Zhang K., Sun S., Gao Z., Zhang L., Yang Z. An upper-limb power-assist exoskeleton using proportional myoelectric control. Sensors 2014; 14(4): 6677–6694, https://doi.org/10.3390/s140406677.
George T., Shalu G.K., Sivanandan K.S. Sensing, processing and application of EMG signals for HAL (Hybrid Assistive Limb). In: International Conference on Sustainable Energy and Intelligent Systems (SEISCON 2011). IET; 2011; p. 749–753, https://doi.org/10.1049/cp.2011.0463.
Дудник А.В., Лобов С.А., Кастальский И.А. Программа детектирования фаз походки на основе электромиограммы мышц ног (MyoStep). А.с. РФ 2016663327. 2017.
Хоружко М.А., Пимашкин А.С., Шамшин М.О. Программа пропорционального управления экзоскелетом сигналами мышечной активности человека ExoMyo. А.с. РФ 2017611289. 2017.