PL 
EnglishDomyślny
Українська🦾 Sterowanie protezą ręki — EMG
Proteza sterowana EMG: elektrody powierzchniowe wykrywają potencjały czynnościowe jednostek ruchowych. Cechy sygnału (RMS, MAV, ZC) klasyfikują zamierzony chwyt klasyfikatorem LDA lub SVM.
Jak to działa
Syntetyczne sygnały EMG są generowane dla każdego kanału elektrody na podstawie wybranego zamierzonego chwytu i poziomu skurczu. Każda jednostka ruchowa generuje stochastyczne potencjały czynnościowe, których amplituda i częstość kodują siłę skurczu. Sygnały przechodzą przez przesuwane okno 256 próbek; wartości RMS dla poszczególnych kanałów tworzą wektor cech (niezmiennicze względem skurczu udziały poszczególnych kanałów wraz z ogólnym poziomem aktywacji), a wybrany klasyfikator — LDA, liniowy SVM lub 3-NN — jest dopasowywany do syntetycznego zbioru kalibracyjnego i następnie przewiduje klasę chwytu. Zmiana klasyfikatora rzeczywiście zmienia regułę decyzyjną, dlatego wszystkie trzy mogą się różnić w pobliżu granicy decyzyjnej.
Najczęściej zadawane pytania
Czym jest EMG w sterowaniu protezą?
EMG (elektromiografia) mierzy aktywność elektryczną wytwarzaną przez skurcze mięśni. Powierzchniowe elektrody EMG umieszczone na mięśniach kikuta wykrywają potencjały czynnościowe jednostek ruchowych (MUAP), które są przetwarzane w celu klasyfikacji zamierzonych ruchów i sterowania protezą ręki z naturalnym odczuciem.
Czym są potencjały czynnościowe jednostek ruchowych (MUAP)?
Jednostka ruchowa to jeden neuron ruchowy wraz ze wszystkimi unerwianymi przez niego włóknami mięśniowymi. Po aktywacji wszystkie włókna pobudzają się jednocześnie, wytwarzając charakterystyczny sygnał elektryczny (MUAP). EMG powierzchniowe rejestruje superpozycję wielu MUAP z licznych jednostek ruchowych pobudzających się asynchronicznie.
Jakie cechy sygnału EMG są używane do klasyfikacji?
Do popularnych cech z dziedziny czasu należą RMS (wartość skuteczna, związana z mocą sygnału), MAV (średnia wartość bezwzględna), ZC (częstość przejść przez zero, związana z zawartością częstotliwościową), SSC (zmiany znaku nachylenia) oraz długość przebiegu falowego. Tworzą one zwarty wektor cech dla klasyfikatorów.
Czym jest RMS w EMG?
RMS = sqrt(1/N × Σ x²ᵢ) mierzy moc sygnału EMG w oknie przetwarzania. Jest silnie skorelowana z siłą mięśnia i poziomem skurczu, co czyni ją jedną z najbardziej użytecznych i odpornych cech w sterowaniu protezami.
Czym jest klasyfikacja LDA w EMG?
Analiza dyskryminacyjna liniowa (LDA) wyznacza liniowe granice decyzyjne w przestrzeni cech, które najlepiej oddzielają klasy. Zakłada rozkłady gaussowskie klas o równej macierzy kowariancji. LDA jest popularna w protezach EMG ze względu na szybkość działania, niskie wymagania co do liczby próbek treningowych i dobrą generalizację.
Jakie wzorce chwytu może kontrolować EMG?
Nowoczesne systemy rozpoznawania wzorców klasyfikują 10-15+ typów chwytów: chwyt siłowy (cylindryczny), szczypanie (boczne, koniuszkowe), chwyt trójpunktowy, chwyt kluczowy oraz wyprost pojedynczych palców. Systemy kliniczne wdrażają zwykle 4-6 najczęściej używanych chwytów codziennych, aby zrównoważyć wszechstronność i niezawodność.
Jakie są główne wyzwania w sterowaniu protezą przez EMG?
Kluczowe wyzwania to: przemieszczanie się elektrod podczas użytkowania, zmiana impedancji elektrody wywołana potem, zmęczenie mięśnia przesuwające widmo częstotliwościowe EMG oraz efekt pozycji kończyny (dokładność spada, gdy ramię odsuwa się od pozycji treningowej). Klasyfikacja musi działać w czasie 200-300 ms, aby zapewnić naturalne odczucie.
Na czym polega podejście okienkowe w przetwarzaniu EMG?
EMG jest przetwarzane w krótkich oknach (150-250 ms) z 50% zachodzeniem, tworząc strumień wektorów cech klasyfikowanych w czasie rzeczywistym. Długość okna równoważy rozdzielczość czasową (krótkie okno = większa responsywność) z niezawodnym szacowaniem cech (długie okno = większa stabilność).
Czym jest efekt pozycji kończyny w EMG?
Dokładność klasyfikatora spada, gdy ramię przemieszcza się do pozycji innych niż treningowe, ponieważ geometria mięśni i kontakt elektrod zmieniają się wraz z postawą. Sposoby ograniczenia obejmują trening w wielu pozycjach ramienia, klasyfikatory adaptacyjne względem pozycji oraz augmentację danych.
Czym jest ukierunkowana reinerwacja mięśniowa (TMR)?
TMR to zabieg chirurgiczny przekierowujący nerwy z amputowanej kończyny do pozostałych mięśni klatki piersiowej lub ramienia, tworząc nowe miejsca odbioru EMG. Daje to osobom po amputacji intuicyjną, jednoczesną kontrolę nad wieloma stawami protezy oraz umożliwia sprzężenie czuciowe dzięki reinerwacji somatosensorycznej.
O tej symulacji
Ten symulator generuje syntetyczne wielokanałowe EMG poprzez sumowanie losowo rozłożonych w czasie dwufazowych potencjałów czynnościowych jednostek ruchowych, przy czym każdy z sześciu zamierzonych chwytów wywołuje odrębny 8-kanałowy wzorzec aktywacji skalowany przez wybrany poziom skurczu. Przesuwane okno 256 próbek wyodrębnia cechy RMS, MAV oraz częstość przejść przez zero, a wzorzec RMS poszczególnych kanałów jest podawany do wybranego klasyfikatora — LDA, liniowego SVM lub 3-NN — z których każdy jest rzeczywiście dopasowywany do syntetycznego zbioru kalibracyjnego — w celu przewidzenia zamierzonego chwytu.
🔬 Co przedstawia
Przewijające się na żywo przebiegi EMG z wielu kanałów elektrod, wyodrębnione wartości cech (RMS, MAV, ZC) oraz przewidywany przez klasyfikator chwyt wraz z poziomem pewności — a także schematyczną pozycję dłoni odzwierciedlającą rozpoznaną intencję.
🎮 Jak korzystać
Wybierz zamierzony chwyt, ustaw poziom skurczu i poziom szumu, wybierz liczbę kanałów elektrod oraz klasyfikator (LDA, SVM lub kNN), aby zobaczyć, jak dobrze rozpoznaje wzorzec w różnych warunkach sygnału. P wstrzymuje, R resetuje.
💡 Czy wiesz, że?
Każdy chwyt w tym symulatorze aktywuje w pewnym stopniu wszystkie osiem kanałów — to względny wzorzec aktywacji na wielu kanałach, a nie sygnał pojedynczej elektrody, identyfikuje zamierzony chwyt, dokładnie tak jak w rzeczywistych wielokanałowych protezach EMG, które opierają się na łącznych wzorcach przestrzennych, a nie na izolowanych sygnałach mięśniowych.
Najczęściej zadawane pytania
Dlaczego zwiększenie poziomu szumu obniża pewność klasyfikatora?
generateEMGSample() dodaje (Math.random()-0.5)·noise·0.8 bezpośrednio do zsumowanego sygnału jednostek ruchowych przed ekstrakcją cech, więc wyższy szum przesuwa wzorzec RMS poszczególnych kanałów w stronę płaskiego, mało informatywnego rozkładu. Klasyfikator jest ponownie kalibrowany przy nowym poziomie szumu, ale klastry klas zaczynają się nakładać, więc granice decyzyjne rozdzielają je z mniejszą pewnością.
Dlaczego zwiększenie poziomu skurczu podnosi jednocześnie RMS i MAV?
Obie cechy są obliczane na podstawie tej samej leżącej u ich podstaw amplitudy sygnału, którą generateEMGSample() skaluje bezpośrednio przez skurcz (amp = pattern·contraction), a także wykorzystuje do ustalenia liczby pobudzanych jednostek ruchowych (nMU = amp·15+1) — więcej i większych MUAP podnosi jednocześnie zarówno opartą na mocy RMS, jak i opartą na amplitudzie MAV.
Dlaczego różne chwyty dają rzeczywiście różne przewidywania klasyfikatora, a nie losowe zgadywanie?
Każdy chwyt w GRASP_PATTERNS ma stały, odrębny 8-kanałowy profil aktywacji (np. chwyt siłowy silnie akcentuje kanały 1-2, podczas gdy szczypanie akcentuje wyłącznie kanał 2), więc wynikowe wektory cech grupują się w różnych obszarach przestrzeni cech, które klasyfikator może rzeczywiście rozdzielić.
Co dokładnie zmienia suwak liczby kanałów elektrod w trudności klasyfikacji?
Zmniejszenie liczby kanałów zmniejsza wektor cech, więc klasyfikator dysponuje mniejszą liczbą wartości aktywacji charakterystycznych dla każdego chwytu, tracąc część informacji przestrzennej odróżniającej podobne chwyty, takie jak chwyt trójpunktowy i chwyt kluczowy — mniejsza liczba kanałów oznacza zazwyczaj niższą osiągalną pewność, co odzwierciedla to, dlaczego rzeczywiste systemy protetyczne preferują więcej miejsc elektrodowych dla bardziej precyzyjnych chwytów.
Dlaczego częstość przejść przez zero zachowuje się inaczej niż RMS i MAV?
ZC zlicza, jak często znak sygnału zmienia się między próbkami, co odzwierciedla zawartość częstotliwościową EMG, a nie jego amplitudę — dlatego extractFeatures() oblicza tę cechę osobno od RMS/MAV, ponieważ dwa sygnały mogą mieć identyczną moc, lecz bardzo różną częstość przejść przez zero, w zależności od tego, jak „poszarpane” jest leżące u ich podstaw pobudzanie jednostek ruchowych.