🦾 Керування Протезом Руки — ЕМГ

EMG-кероване протезування: поверхневі електроди виявляють потенціали рухових одиниць. Ознаки сигналу (RMS, MAV, ZC) класифікують заплановані захвати за допомогою LDA або SVM класифікатора.

РеабілітаціяІнтерактивна
Канали ЕМГ (вгорі) · Простір ознак (внизу ліворуч) · Поза руки (внизу праворуч) · P пауза · R скинути

Як це працює

Синтетичні ЕМГ-сигнали генеруються для кожного каналу електрода на основі вибраного наміру захвату та рівня скорочення. Кожна рухова одиниця запускає стохастичні потенціали дії, амплітуда і частота яких кодують скорочення. Сигнали проходять через ковзне вікно 256 відліків, потім вилучаються ознаки, і класифікатор передбачає клас захвату.

RMS = sqrt(1/N × Σᵢ x²ᵢ) [проксі потужності сигналу] MAV = 1/N × Σᵢ |xᵢ| [середнє абсолютне значення] ZC = Σᵢ sign(xᵢ) ≠ sign(xᵢ₋₁) [кількість нульових переходів] LDA: y = argmax_c w_c · x + b_c [лінійний класифікатор]

Часті запитання

Що таке ЕМГ у керуванні протезом?

ЕМГ (електроміографія) вимірює електричну активність м'язових скорочень. Поверхневі електроди на залишкових м'язах кінцівки виявляють потенціали рухових одиниць (ПДРО), які обробляються для класифікації намірів рухів і керування протезними руками.

Що таке потенціали дії рухових одиниць (ПДРО)?

Рухова одиниця — це один руховий нейрон і всі м'язові волокна, які він іннервує. При активації всі волокна спрацьовують одночасно, створюючи характерну електричну сигнатуру (ПДРО). Поверхнева ЕМГ реєструє суперпозицію багатьох ПДРО від кількох рухових одиниць.

Які ознаки ЕМГ-сигналу використовуються для класифікації?

Поширені ознаки у часовій області: RMS (квадратичний середній, пов'язаний з потужністю), MAV (середнє абсолютне значення), ZC (частота нульових переходів, пов'язана з частотним вмістом), SSC (зміни знаку нахилу) та довжина форми хвилі.

Що таке RMS в ЕМГ?

RMS = sqrt(1/N × Σ x²ᵢ) вимірює потужність ЕМГ-сигналу у вікні обробки. Він сильно корелює з м'язовою силою та рівнем скорочення, що робить його однією з найкорисніших і найнадійніших ознак для керування протезами.

Що таке класифікація LDA в ЕМГ?

Лінійний дискримінантний аналіз (LDA) знаходить лінійні межі рішень у просторі ознак, що найкраще розділяють класи. Він припускає гаусівський розподіл класів з рівними коваріаціями. LDA популярний в ЕМГ-протезуванні за швидкість і невелику потребу в навчальних даних.

Які типи захватів може контролювати ЕМГ?

Сучасні системи розпізнавання образів класифікують 10-15+ типів захватів: силовий захват (циліндричний), щипок (бічний, кінцевий), триточковий, ключовий захват та розгинання окремих пальців. Клінічні системи реалізують 4-6 найуживаніших захватів.

Які основні виклики в ЕМГ-керуванні протезом?

Ключові виклики: зміщення електродів під час використання, піт, що змінює імпеданс, втома м'язів, що зміщує спектр ЕМГ, та ефект положення кінцівки (точність погіршується, коли рука переміщується у положення, відмінне від навчання). Класифікація повинна працювати за 200-300 мс.

Що таке підхід з вікнуванням в обробці ЕМГ?

ЕМГ обробляється у коротких вікнах (150-250 мс) з перекриттям 50% для формування потоку векторів ознак, що класифікуються в реальному часі. Довжина вікна балансує між часовою роздільністю та надійністю оцінки ознак.

Що таке ефект положення кінцівки в ЕМГ?

Точність класифікатора погіршується, коли рука переміщується в положення, відмінне від навчального, оскільки геометрія м'язів і контакт електродів змінюються з позою. Зменшення: навчання в кількох положеннях, позиційно-адаптивні класифікатори.

Що таке цільова м'язова реіннервація (ЦМР)?

ЦМР — хірургічна процедура, що перенаправляє нерви від ампутованої кінцівки до залишкових м'язів, створюючи нові ЕМГ-сайти. Це дає ампутованим інтуїтивне одночасне керування кількома суглобами протеза та можливість сенсорного зворотного зв'язку.

Про цю симуляцію

Ця симуляція генерує синтетичну багатоканальну ЕМГ, підсумовуючи випадково розташовані в часі двофазні потенціали дії рухових одиниць, причому кожен із шести намірів хвату задає власний 8-канальний профіль активації, масштабований обраним рівнем скорочення. Ковзне вікно на 256 відліків витягує ознаки RMS, MAV і частоту переходів через нуль, які потім подаються на обраний класифікатор — LDA, SVM або kNN — щоб передбачити, який хват ви мали намір виконати.

🔬 Що показано

Живі прокручувані ЕМГ-криві для кількох каналів електродів, витягнуті значення ознак (RMS, MAV, ZC) і передбачений класифікатором хват з показником довіри — плюс схематичну позу кисті, що відображає розпізнаний намір.

🎮 Як користуватись

Оберіть намір хвату, задайте рівень скорочення та рівень шуму, оберіть кількість каналів електродів і виберіть класифікатор (LDA, SVM або kNN), щоб побачити, наскільки добре він розпізнає патерн за різних умов сигналу. P — пауза, R — скидання.

💡 Чи знали ви?

Кожен хват у цій симуляції певною мірою активує всі вісім каналів — саме відносний патерн між каналами, а не якийсь окремий електрод, визначає намічений хват, точно так само, як реальні багатоканальні ЕМГ-протези покладаються на комбіновані просторові патерни, а не на ізольовані м'язові сигнали.

Часті запитання

Чому підвищення рівня шуму погіршує впевненість класифікатора?

generateEMGSample() додає (Math.random()-0.5)·noise·0.8 безпосередньо до підсумованого сигналу рухових одиниць перед вилученням ознак, тож вищий шум відхиляє RMS і MAV від чистих очікуваних значень кожного хвату, ускладнюючи впевнене співставлення класифікатором на основі відстані.

Чому підвищення рівня скорочення збільшує RMS і MAV одночасно?

Обидві ознаки обчислюються з тієї самої базової амплітуди сигналу, яку generateEMGSample() масштабує безпосередньо скороченням (amp = pattern·contraction), а також використовує для визначення кількості активних рухових одиниць (nMU = amp·15+1) — більше і більших MUAP підвищують і RMS на основі потужності, і MAV на основі амплітуди разом.

Чому різні хвати дають дійсно різні передбачення класифікатора, а не випадкові здогадки?

Кожен хват у GRASP_PATTERNS має фіксований, відмінний 8-канальний профіль активації (наприклад, силовий хват сильно акцентує канали 1-2, тоді як щипок акцентує лише канал 2), тож отримані вектори ознак групуються в різних областях простору ознак, які класифікатор дійсно може розділити.

Що насправді змінює повзунок каналів електродів у складності класифікації?

Зменшення кількості каналів означає, що classify() має менше відмітних значень активації кожного хвату для порівняння, відкидаючи частину просторової інформації, яка розділяє схожі хвати на кшталт «Триподу» і «Ключового хвату» — менше каналів зазвичай означає нижчу досяжну довіру, відображаючи, чому реальні протезні системи надають перевагу більшій кількості електродних ділянок для тонших хватів.

Чому частота переходів через нуль поводиться інакше, ніж RMS і MAV?

ZC рахує, як часто знак сигналу перемикається між відліками, що відстежує частотний вміст ЕМГ, а не її амплітуду — саме тому extractFeatures() обчислює це окремо від RMS/MAV, оскільки два сигнали можуть мати однакову потужність, але дуже різну частоту переходів через нуль залежно від того, наскільки «зубчастим» є базове збудження рухових одиниць.