CC BY
86
ТЕХНИЧЕСКИЕ НАУКИ
РАЗРАБОТКА АЛГОРИТМА ОБРАБОТКИ ЭМГ ДЛЯ ИСПОЛЬЗОВАНИЯ В БИОЭЛЕКТРИЧЕСКОМ ПРОТЕЗЕ НИЖНЕЙ КОНЕЧНОСТИ Фролова С.С. Email: Frolova640@scientifictext.ru
Фролова Софья Сергеевна - студент, кафедра медико-технических информационных технологий, факультет биомедицинской техники, Московский государственный технический университет им. Н.Э. Баумана, г. Москва
Аннотация: статья посвящена разработке алгоритма обработки электромиограммы (ЭМГ) для использования в биоэлектрическом протезе нижней конечности. Алгоритм, рассматриваемый в данной работе, отличается от других используемых алгоритмов обработки простотой реализации и точностью во время работы. Рассмотрены используемые методы вычисления огибающей, проведен их сравнительный анализ. Показано, что описываемый метод вычисления огибающей методом СКО минимален по времени, что крайне важно для слаженной работы протеза.
Ключевые слова: протез, нижняя конечность, алгоритм, электромиографический сигнал, СКО (среднее квадратическое отклонение).
THE ELECTROMYOGRAM SIGNAL PROCESSING ALGORITHM FOR THE BIOELECTRONIC ARTIFICIAL LEG Frolova S.S.
Frolova Sofya Sergeevna - Student, DEPARTMENT MEDIC-TECHNICAL INFORMATION TECHNOLOGIES,
FACULTY BIOMEDICAL TECHNOLOGIES, N.E. BAUMAN MOSCOW STATE TECHNICAL UNIVERSITY, MOSCOW
Abstract: the article is concerned with the signal processing algorithm for the bioelectronic artificial leg. The algorithm in question differs from the other signal processing algorithm, which are usually using, by the simplicity of implementation and precision during the work. The review of different methods of computing the envelope and comparative analysis were done. It is shown that the mean square deviation method of computing the envelope is time -minimal method, what is extremely important for the co-operation of the artificial leg. Keywords: artificial leg, lower limb, algorithm, electromyogram signal, mean square deviation.
УДК 616-77
Введение
Сигнал электромиограммы (ЭМГ), считываемый с мышцы нижней конечности, является главной информацией для реализации движения протезом. Его обработка а, следовательно, и правильная интерпретация, осуществляют основную задачу данного медицинского прибора.
Обработка ЭМГ- сигнала происходит разными способами, и в это статье мы стараемся рассмотреть все варианты и выбрать наиболее оптимальный. Цель исследования
Работа посвящена разработке алгоритма обработки ЭМГ для использования в биоэлектрическом протезе нижней конечности, который отличался бы от используемых алгоритмов обработки простотой реализации и точностью во время
работы. Метод должен быть минимален по времени, так как это крайне важно для слаженной работы протеза.
Материал и методы исследования
Обработка электромиограммы (ЭМГ) начинается с фильтрации сигнала, которая оставляет лишь данные на частотах от 120 до 500 Гц - информативная часть ЭМГ-сигнала.
В зависимости от величины напряжения мышцы меняется и значение напряжения на электромиограмме: чем больше усилие мышцы, тем больше и ее активность, а, значит, величина ЭМГ сигнала тоже растет. Для обнаружения начала движения протеза необходимо найти огибающую сигнала, относительно начального положения которой будут видны рост и падение значений сигнала. Огибающая сигнала — это функция, построенная по характерным точкам данного сигнала. А значит, во-вторых, нужно рассчитать огибающую информативной части ЭМГ-сигнала, опираясь на данные которой протез будет осуществлять движение [1].
Так как полученные в итоге данные передаются со здоровой ноги на протез, то необходимо обеспечивать полное согласование работы в течение всех фаз шага.
Достичь требуемого при использовании ЭМГ-сигнала только от одной мышцы легче всего с помощью задержки работы протеза относительно здоровой ноги. Так, при обычной скорости ходьбы время задержки должно быть около 0,4 с, но с увеличением темпа ходьбы эта задержка уменьшается. Таким образом, ЭМГ-сигнал мышцы имеет прямую зависимость от усилия мышцы, а время задержки - обратную [2].
Процедуру обработки сигнала можно выполнять различными методами, но наиболее удобный заключается в том, чтобы сразу исключить постоянную составляющую сигнала и 50-Герцовую помеху - то есть поставить цифровой фильтр верхних частот (ФВЧ). Фильтр нижних частот стоит в электрической схеме после ИУ, поэтому в программе может не использоваться.
Следует учитывать, что в случае обработки ЭМГ для протеза время обработки сигнала должно быть минимальным - во избежание резких движений. А значит, и количество коэффициентов цифрового фильтра должно быть минимальным. Помимо этого фильтр должен обладать такими характеристиками, как простота разработки, малые искажения или их отсутствие [3].
Таблица 1. Сравнение КИХ- и БИХ-фильтров
Фильтр/параметр КИХ-фильтр БИХ-фильтр
Количество коэффициентов может быть небольшим может быть маленьким
Фазовая характеристика линейная нелинейная
Стабильность стабильны нестабильны
Эффективность менее эффективны более эффективны
Простота реализации просто сложно
Таким образом, опираясь на данные в таблице 1 и считая наиболее важными параметрами для выбора простоту реализации и линейность фазовой характеристики, будем реализовывать цифровой КИХ-фильтр. [4, 5]
Выбираемый КИХ-фильтр должен полностью заглушать 50-Герцовую помеху, иметь частоту среза Ре=120 Гц, частоту дискретизации рб=2000 Гц и минимальную неравномерность в полосе пропускания.
С помощью фильтра ЭМГ сигнал обрабатывается, тем самым оставляя только полезную составляющую сигнала. Но для окончательной обработки и получения огибающей необходимо не только пропустить сигнал через фильтр, но и произвести «выравнивание» полученного сигнала в плавную кривую - огибающую. Этого результата можно добиться несколькими способами, например:
- Метод квадратов (СКО) ^ (5 1 2 + 52 2 ) , где 81 и 82- отсчеты сигнала
- Метод абсолютных значений 5 ' = , где 8 - отсчет сигнала
- Метод пиков:
- Линейный 5п(0 = 51 + — £2)
= где ^ = Б(11); ^ =
- Квадратичный бпОО = б1 + й(I — 11) + d2(t — 11) (I — 12)
51 52 53
й2 ~ (с2 - с1)(сз - п)+ Ш^ТгЩз^Тг)+ (п - сз)(с2 - сз)
Выбор осуществляется из условий точности получаемых значений огибающей и простоты программной реализации. Рассмотрим методы в сравнительной таблице:
Таблица 2. Сравнение методов нахождения огибающей
Оценка / Метод Сложность реализации Точность
СКО средняя высокая
Абсолютных значений низкая низкая
Линейный пиков средняя средняя
Квадратичный пиков высокая высокая
Таким образом, опираясь на данные выше приведенной таблицы, выберем метод СКО.
Перед тем, как пациент начинает использовать протез, записывается сигнал с его мышцы в покое и вычисляется его СКО S. После того, как СКО в покое вычислено, осуществляется анализ степени сгибания. Под моментом начала движения t1 подразумевается момент времени, в который СКО, рассчитываемое по выборке из нескольких последовательных мгновенных значений ЭМГ, превысит 3S. Сравнительное значение 3S было выбрано для того, чтобы избежать работы протеза из-за помех. После выполнения движения ЭМГ-сигнал затухает естественным способом (так как данные считываются с одной мышцы), то есть нет необходимости дополнительного нахождения конца движения t2.
Результаты
Таким образом, значение огибающей рассчитывается путем применения фильтра скользящего среднего, то есть по следующим формулам:
cn = Vzn - I2 + xN2 (1)
zn = V cn2 — xk2 (2)
Где формула (1) описывает добавление нового отсчета в расчет СКО, а формула (2) вычитание отсчета, который не входит в исследуемую область отсчетов. xk-значение сигнала первого отсчета, xN- значение сигнала последнего отсчета, сп-промежуточное значение огибающей (СКО), z- результирующая огибающая (СКО). Так как для программной реализации алгоритма следует выбрать наиболее быстрый способ, то формулы (1) и (2) следует упростить таким образом, чтобы они не содержали квадратного корня и не пересчитывали каждый раз квадраты всех отсчетов. Тогда воспользуемся алгоритмом aMax+pMin, согласно которому Vx2 + у2 « aMax + |3Min. Коэффициенты аир- числа, позволяющие достичь минимизации ошибки формулы. Рассмотрим несколько вариантов:
Алгоритм Наибольшая ошибка (%) Наибольшая ошибка (дБ) Средняя ошибка (%) Средняя ошибка (дБ)
Max+Min/2 11,8 0,97 8,6 0,71
Max+Min/4 -11,6 -1,07 -0,64 -0,06
Max+3Min/8 6,8 0,57 3,97 0,34
7(Max+Min/2)/8 -12,5 -1,16 -4,99 -0,45
15 (Max+Min/2 )/16 -6,25 -0,56 1,79 0,15
Таким образом, наименьшей ошибкой обладает алгоритм 15(Max+Min/2)/16, тогда формулу (2) можно упростить до вида:
15
15
сп = ТЁп-Г+хЙ2« « — М ах{ т п - 1 , хЛ } + — М т { т п - 1 , хЛ } (3) 16 32
Тогда формулу (3) можно преобразовать в следующую:
_ ( 1
I—;-Г7 ) сп--хк, если гп > хк
(1)
12 (сп — хк), если гп < хк
Таким образом, вычисление огибающей методом СКО уменьшается по времени. Стоит иметь в виду, что максимальное возможное время реакции протеза на сигнал составляет 100 мс, а, значит, количество отсчетов огибающей может быть посчитано по формуле:
N - 1
Т = —— * ДГ (5)
Где ^ время реакции протеза на сигнал, N количество отсчетов огибающей, Д1-время дискретизации, которое определяется как Д1 = 1 /АБ=1/2000Гц=0,5 мс. Значит, количество отсчетов N=401. Но необходимо учитывать тот факт, что используемый для выделения огибающей КИХ-фильтр имеет 63 коэффициента, а это означает, что на его работу требуется время равное Т=15,5 мс. Из этого можно сделать вывод, что на фильтрацию скользящим СКО остается только 84,5 мс и 338 отсчетов сигнала.
Таким образом, на работу мышцы программа откликнется следующим способом:
Рис. 1. Выделение огибающей ЭМГ-сигнала
Заключение
В ходе работы был выделен наиболее оптимальный алгоритм обработки электромиограммы (ЭМГ) для использования в биоэлектрическом протезе нижней конечности. Он выгодно отличается от других используемых алгоритмов обработки простотой реализации и точностью во время работы. Показано, что описываемый метод вычисления огибающей методом СКО также минимален по времени.
Список литературы /References
1. Биоэлектрическое управление / В.С. Гурфинкель, В.Б. Малкин, М.Л. Цетмин, А.Ю. Шнейдер. М: Наука, 1972. 248 с.
2. Протезирование конечностей. [Электронный ресурс]. Режим доступа: http://www.xda.su/artificiaUimbs/ArtificiallimbsUpperlimbprostheses/ (дата обращения: 20.03.2017).
3. Vujaklija I., Farina D., Aszmann O. New developments in prosthetic leg systems. Orthopedic Research and Reviews, 2016; 8: 31-39.
4. Datasheet. [Электронный ресурс]. Режим доступа: www.alldatasheet.com/datasheet/ (дата обращения: 20.05.2017).
5. Datasheet. [Электронный ресурс]. Режим доступа: www.analog.com/media/en/technical-documentation/data-sheets/ (дата обращения: 20.05.2017).
КЛАССИФИКАЦИЯ ТЕКСТОВ ПРИ ПОМОЩИ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ Носков Д.В. Email: Noskov640@scientifictext.ru
Носков Дмитрий Владимирович - студент, департамент информационных технологий и автоматики, Институт радиоэлектроники и информационных технологий Уральский федеральный университет им. первого Президента России Б.Н. Ельцина,
г. Екатеринбург
Аннотация: классификация - одна из основных областей обработки и анализа текстов на естественном языке. В нее входят решения таких задач, как определение тематической принадлежности, определение тональности текста и т.д. Эта область набирает всё большую популярность с каждым годом. Стремительное увеличение объема данных вокруг людей приводит к необходимости разработки эффективных алгоритмов анализа и классификации текстов.
На сегодняшний день одним из самых распространенных подходов к классификации является подход на основе алгоритмов машинного обучения. Данная статья представляет собой обзор наиболее популярных алгоритмов для построения классификаторов.
Ключевые слова: классификация текстов, машинное обучение, анализ текстов.
CLASSIFICATION OF TEXTS USING MACHINE-LEARNING
ALGORITHMS Noskov D.V.
Noskov Dmitrii Vladimirovich - Student, DEPARTMENT OF INFORMATION TECHNOLOGIES AND AUTOMATION, INSTITUTE OFRADIOELECTRONICS AND INFORMATION TECHNOLOGIES URAL FEDERAL UNIVERSITY NAMED AFTER THE FIRST PRESIDENT OF RUSSIA B.N.
YELTSIN, EKATERINBURG
Abstract: dassification is one of the main areas of processing and analysis of texts in natural language. It includes solutions to tasks such as determining the subject matter, determining the key of the text, and so on. This area is gaining increasing popularity every
