UK 
EnglishТипова
Polski🦾 Керування Протезом Руки — ЕМГ
EMG-кероване протезування: поверхневі електроди виявляють потенціали рухових одиниць. Ознаки сигналу (RMS, MAV, ZC) класифікують заплановані захвати за допомогою LDA.
Схожі симуляції
Як це працює
Синтетичні сигнали ЕМГ генеруються для кожного каналу електрода на основі обраного наміру захвату та рівня скорочення. Кожна рухова одиниця генерує стохастичні потенціали дії, амплітуда та частота яких кодують скорочення. Сигнали проходять через ковзне вікно з 256 відліків, з них виділяються ознаки, і класифікатор прогнозує клас захвату.
Часті запитання
Що таке ЕМГ у керуванні протезом?
ЕМГ (електроміографія) вимірює електричну активність, що виникає внаслідок скорочення м'язів. Поверхневі електроди ЕМГ на м'язах кукси виявляють потенціали дії рухових одиниць (MUAP), які обробляються для класифікації запланованих рухів і керування протезами рук із природним відчуттям.
Що таке потенціали дії рухових одиниць (MUAP)?
Рухова одиниця — це один мотонейрон разом з усіма м'язовими волокнами, які він іннервує. При активації всі волокна спрацьовують одночасно, створюючи характерний електричний сигнал (MUAP). Поверхнева ЕМГ реєструє суперпозицію багатьох MUAP від кількох рухових одиниць, що спрацьовують асинхронно.
Які ознаки сигналу ЕМГ використовуються для класифікації?
До поширених ознак часової області належать RMS (середньоквадратичне значення, пов'язане з потужністю сигналу), MAV (середнє абсолютне значення), ZC (частота перетинів нуля, пов'язана з частотним вмістом), SSC (зміни знаку нахилу) та довжина хвилі. Вони утворюють компактний вектор ознак для класифікаторів.
Що таке RMS в ЕМГ?
RMS = sqrt(1/N × Σ x²ᵢ) вимірює потужність сигналу ЕМГ у вікні обробки. Він тісно корелює з м'язовою силою та рівнем скорочення, що робить його однією з найкорисніших і найнадійніших ознак для керування протезом.
Що таке класифікація LDA в ЕМГ?
Лінійний дискримінантний аналіз (LDA) знаходить лінійні межі рішення в просторі ознак, які найкраще розділяють класи. Він передбачає гаусові розподіли класів з однаковою коваріацією. LDA популярний в ЕМГ-протезуванні завдяки швидкості, малим вимогам до навчальних даних і хорошій узагальнюваності.
Які патерни захвату може контролювати ЕМГ?
Сучасні системи розпізнавання патернів можуть класифікувати 10-15+ типів захвату: силовий захват (циліндричний), щипковий (латеральний, кінчиковий), триподний, ключовий та розгинання окремих пальців. Клінічні системи зазвичай реалізують 4-6 найбільш використовуваних щоденних захватів для балансу універсальності та надійності.
Які основні виклики керування протезом за допомогою ЕМГ?
Основні виклики: зміщення електрода під час використання, зміна імпедансу електрода через піт, м'язова втома, що зміщує частотний спектр ЕМГ, та ефект положення кінцівки (точність падає, коли рука рухається з позиції навчання). Класифікація повинна виконуватися за 200-300 мс для природного відчуття.
Що таке підхід із віконним аналізом в обробці ЕМГ?
ЕМГ обробляється у коротких вікнах (150-250 мс) з 50% перекриттям, щоб отримати потік векторів ознак, які класифікуються в реальному часі. Довжина вікна балансує часову роздільність (коротше — швидша реакція) з надійною оцінкою ознак (довше — стабільніше).
Що таке ефект положення кінцівки в ЕМГ?
Точність класифікатора падає, коли рука рухається в положення, відмінні від навчального, оскільки геометрія м'язів і контакт електрода змінюються з поставою. Пом'якшення включає навчання в кількох положеннях руки, адаптивні до положення класифікатори та augmentation даних.
Що таке цільова м'язова реіннервація (TMR)?
TMR — це хірургічна процедура, що перенаправляє нерви від ампутованої кінцівки до м'язів кукси грудної клітки або плеча, створюючи нові ЕМГ-місця. Це дає ампутантам інтуїтивний одночасний контроль над кількома суглобами протеза та вмикає сенсорний зворотний зв'язок через соматосенсорну реіннервацію.
Про цю симуляцію
Цей симулятор генерує синтетичну багатоканальну ЕМГ, підсумовуючи біфазні потенціали дії рухових одиниць із випадковим часом, причому кожен із шести намірів захвату керує окремим 8-канальним патерном активації, масштабованим обраним вами рівнем скорочення. Ковзне вікно з 256 відліків виділяє ознаки RMS, MAV та частоти перетинів нуля, які потім подаються на обраний вами класифікатор LDA, SVM або kNN для прогнозування наміченого захвату.
🔬 Що показує
Живі скролящі криві ЕМГ по кількох каналах електродів, виділені значення ознак (RMS, MAV, ZC) та прогнозований класифікатором захват з показником довіри — плюс схематична поза руки, що відображає розпізнаний намір.
🎮 Як користуватися
Виберіть намір захвату, встановіть рівень скорочення та рівень шуму, оберіть кількість каналів електродів і класифікатор (LDA, SVM або kNN), щоб побачити, наскільки добре він розпізнає патерн за різних умов сигналу. P — пауза, R — скидання.
💡 Чи знали ви?
Кожен захват у цьому симуляторі активує всі вісім каналів тією чи іншою мірою — саме відносний патерн між каналами, а не будь-який окремий електрод, визначає намічений захват, що точно відповідає тому, як реальні багатоканальні ЕМГ-протези покладаються на комбіновані просторові патерни, а не на ізольовані м'язові сигнали.
Часті запитання
Чому підвищення рівня шуму знижує впевненість класифікатора?
generateEMGSample() додає (Math.random()-0.5)·noise·0.8 безпосередньо до підсумованого сигналу рухових одиниць перед вилученням ознак, тому вищий шум відхиляє RMS і MAV від чистих очікуваних значень кожного захвату, ускладнюючи впевнене зіставлення правильного патерну класифікатором на основі відстані.
Чому підвищення рівня скорочення збільшує RMS і MAV разом?
Обидві ознаки обчислюються з тієї самої базової амплітуди сигналу, яку generateEMGSample() масштабує безпосередньо за скороченням (amp = pattern·contraction), а також використовує для визначення кількості активних рухових одиниць (nMU = amp·15+1) — більше і більші MUAP підвищують одночасно і RMS на основі потужності, і MAV на основі амплітуди.
Чому різні захвати дають справді різні прогнози класифікатора, а не випадкові здогадки?
Кожен захват у GRASP_PATTERNS має фіксований, чіткий 8-канальний профіль активації (наприклад, силовий захват сильно виділяє канали 1-2, тоді як щипковий виділяє лише канал 2), тому отримані вектори ознак групуються в різних областях простору ознак, які класифікатор може справді розділити.
Що саме змінює повзунок кількості каналів електродів у складності класифікації?
Зменшення кількості каналів означає, що classify() має менше з відмінних значень активації кожного захвату для порівняння, втрачаючи частину просторової інформації, яка розділяє схожі захвати, як триподний і ключовий — менша кількість каналів зазвичай означає нижчу досяжну впевненість, що відображає, чому реальні протезні системи надають перевагу більшій кількості місць електродів для тонших захватів.
Чому частота перетинів нуля поводиться інакше, ніж RMS і MAV?
ZC підраховує, як часто знак сигналу змінюється між відліками, що відстежує частотний вміст ЕМГ, а не її амплітуду — саме тому extractFeatures() обчислює її окремо від RMS/MAV, оскільки два сигнали можуть мати однакову потужність, але дуже різну частоту перетинів нуля залежно від того, наскільки «зубчастим» є базове спрацювання рухових одиниць.