Kontrola Ręki Protetycznej – EMG

Czytanie intencji z mięśnia

Elektromyografia powierzchniowa (sEMG) rejestruje sumowaną aktywność elektryczną jednostek motorycznych w mięśniu podczas skurczu, poprzez elektrody umieszczone na skórze zamiast igieł w tkance. Po amputacji kończyny, mięśnie, które kiedyś poruszały brakującą dłonią lub palcami, często nadal się znajdują w pozostałym obwodzie i nadal generują sygnały z tymi samymi poleceniami motorycznymi wysyłanymi przez mózg – intencją zamknięcia dłoni nie znika wraz z dłonią. Prostetyczna ręka myoelektryczna odczytuje tę pozostałą aktywność i przetwarza ją na polecenie chwytu.

demo na żywo · powiązana symulacja● LIVE

Od surowego sygnału do użytecznych funkcji

Surowe sEMG jest szumowym sygnałem, zwykle o amplitudzie poniżej 1 miliwolt i rozciągającym się na szerokość około 20 do 500 Hz. Zamiast klasyfikować surową falę, kontrolery przesuwają krótki okno – najczęściej od 100 do 250 milisekund – po sygnale i redukują go do niewielkiej liczby cech zdefiniowanych w domenie czasu, które są tanie w obliczeniach i odporne na szumy:

RMS = sqrt( (1/N) * Σ x_i^2 )         // root mean square — overall effort
MAV = (1/N) * Σ |x_i|                 // mean absolute value — cheap proxy for RMS
ZC  = count of sign changes in x      // zero crossings — frequency-content proxy
WL  = Σ |x_i - x_(i-1)|               // waveform length — signal complexity

Klasyfikowanie chwytu: LDA i inne podejścia

Cechy z kilku kanałów elektrod są ułożone w jeden wektor cech i podawane do klasyfikatora, który został wytrenowany na niewielkiej liczbie własnych, oznaczonych skurczów użytkownika – otwarta dłoń, zamknięta dłoń, chwyt, rotacja nadgarstka i tak dalej. Analiza Wariancji Liniowej (LDA) pozostaje głównym narzędziem klinicznym: trenuje się w sekundy na niewielkiej ilości danych, komfortowo działa w czasie rzeczywistym na wbudowanym sprzęcie o niskim poborze mocy i daje użyteczne wyniki przy wykorzystaniu od dwóch do ośmiu kanałów elektrod. Sieci konwolucyjne na surowych lub widmo-składnikowych sygnałach EMG mogą zwiększyć dokładność w laboratorium, ale czuciowy próg dla protezy, aby wydawała się responsywna, to opóźnienie czasowe mniejsze niż około 300 milisekund i ten ciasny budżet energii sprawia, że proste klasyfikatory liniowe są naprawdę konkurencyjne w urządzeniach klinicznych.

Rozpoznawanie wzorców kontra bezpośrednia kontrola

Starsze myoelectriczne ręce wykorzystują bezpośrednią kontrolę: jeden zespół mięśniowy otwiera i zamyka dłoń, a drugi zespół lub celowe współkurcz powoduje przełączenie na inny stopień swobody, taki jak obrot w nadgarstku. Jest to proste i niezawodne rozwiązanie, ale ograniczone do jednej czynności jednocześnie i wymaga świadomego przełączania trybów przez użytkownika. Kontrola oparta na rozpoznawaniu wzorców zamiast tego klasyfikuje całą wielokanałową aktywność naraz, dzięki czemu pojedynczy zestaw elektrod może rozróżniać wiele różnych form chwytu bezpośrednio, bez potrzeby dedykowanego gestu przełączania trybów – podobnie jak w przypadku kontroli intaktej ręki, kosztem konieczności wytrenowanego klasyfikatora zamiast stałego połączenia przewodów.

Co sprawia, że jest niezawodny poza laboratorium

Dwa efekty wyjaśniają większość luki między czystymi wynikami laboratoryjnymi a rzeczywistą niezawodnością. Przesunięcie elektrod: zdjęcie i ponowne założenie wkłady zmienia położenie elektrod o kilka milimetrów, co wpływa na dominujące jednostki silnikowe w zarejestrowanym sygnale. Efekt pozycji kończyny: grawitacja i obciążenia mechaniczne zmieniają wzorzec aktywacji mięśnia dla gestu, który użytkownik nadal zamierza wykonać, gdy ramię przemieszcza się z pozycji siedzącej w spoczynku, np. podczas wyciągania ręki nad głowę. Systemy odporne na błędy trenują na danych zebranych w wielu sesjach i przy różnych pozycjach kończyn, wykorzystują klasyfikatory adaptujące się online lub polegają na ukierunkowanym ponownym naprowadzaniu nerwów mięśniowych – zabiegu polegającym na przekierowaniu pozostałych nerwów do nowych miejsc w mięśniach, tworząc dodatkowe, bardziej rozróżnialne sygnały kontrolne dla osób z amputacjami wysokiego poziomu.

Frequently asked questions

Co mierzy w rzeczywistości powierzchnie EMG?

Mierzy ona sumowaną aktywność elektryczną potencjałów czynnościowych jednostek mięśniowych pochodzących z włókien mięśnia pod skórą podczas skurczu, wychwytywaną nieinwazyjnie przez elektrody na powierzchni kończyny górnej zamiast przez przewody wszczepione bezpośrednio w mięsień.

Dlaczego LDA pozostaje popularne w porównaniu z uczeniem głębokim przy kontroli protez?

Analiza Własnych Składowych (LDA) jest szybka, wymaga jedynie niewielkiej ilości danych kalibracyjnych dla każdego użytkownika, działa komfortowo w ramach niskociśnieniowego, energooszczędnego budżetu sprzętu wbudowanego w protezę oraz jest łatwa do inspekcji i ponownego szkolenia podczas sesji dopasowywania przez lekarza – cechy, które sieć neuronowa rezygnuje z nich dla dodatkowej dokładności, której często nie można osiągnąć w czasie rzeczywistym.

Dlaczego klasyfikator działający idealnie w klinice zawodzi w domu?

Zmiana przesunięcia elektrody spowodowana zakładaniem wkłady i efekt pozycji kończyny, gdzie grawitacja i obciążenie zmieniają aktywację mięśni dla tego samego zamierzonego gestu, wpływają na zmodyfikowany wzorzec EMG. Klasyfikator wytrenowany jedynie w jednej pozycji siedzącej w klinice często myli gesty, gdy kończyna porusza się w codziennych pozycjach w domu.

Wypróbuj na żywo

Wszystko powyżej działa bezpośrednio w Twojej przeglądarce — otwórz Prosthetic Hand Control — EMG i zmieniaj parametry podczas działania. Nic nie jest instalowane ani przesyłane na serwer, cały model działa w jednej karcie.

▶ Otwórz symulację Prosthetic Hand Control — EMG

Kontrola Ręki Protetycznej: Czytanie Intencji z Mięśni