Архив номеров
Медицинская Техника / Медицинская техника №3, 2025 / с. 36-39

Распознавание паттернов движений нижних конечностей человека

К.В. Эйдельман


Аннотация 

Реализован алгоритм классификации паттернов движений нижних конечностей человека для управления биоэлектрическими протезами при ампутации выше бедра. Он включает в себя решение проблем, связанных с предварительной обработкой сырых данных, таких как фильтрация сигналов, сегментация сигналов ЭМГ и извлечение информативных признаков. Далее – модуль нормализации и классификации. В исследовании рассматриваются как классические методы машинного обучения (SVM, knn, DT), так и нейронные сети, а именно стандартная сеть прямого распространения.


Вернуться к содержанию

Сведения об авторах

Константин Валерьевич Эйдельман, студент 1 курса магистратуры, Национальный исследовательский университет ИТМО, г. С.-Петербург, 

Список литературы

1. Asif M., Tiwana M.I., Khan U.S. et al. Advancements, trends and future prospects of lower limb prosthesis // IEEE Access. 2021. Vol. 9. PP. 85956-85977. 
2. Zhang K., Luo J., Xiao W. et al. A subvision system for enhancing the environmental adaptability of the powered transfemoral prosthesis // IEEE Transactions on Cybernetics. 2020. Vol. 51. № 6. PP. 3285-3297. 
3. Arjunan S.P., Kumar D.K., Naik G. Computation and evaluation of features of surface electromyogram to identify the force of muscle contraction and muscle fatigue // BioMed. Research International. 2014. Vol. 2014. 
4. Xi X., Tang M., Miran S.M., Luo Z. Evaluation of features extraction and recognition for activity monitoring and fall detection based on wearable sEMG sensors // Sensors. 2017. Vol. 17. № 6. P. 1229. 
5. Hu B., Rouse E., Hargrove L. Benchmark datasets for bilateral lower-limb neuromechanical signals from wearable sensors during unassisted locomotion in able-bodied individuals // Frontiers in Robotics and AI. 2018. Vol. 5. P. 14. 
6. Phinyomark A., Campbell E., Scheme E. Surface electromyography (EMG) signal processing, classification, and practical considerations / Biomedical Signal Processing: Advances in Theory, Algorithms and Applications. 2020. PP. 3-29. 
7. Hansson G.Е., Balogh I., Ohlsson K. et al. Goniometer measurement and computer analysis of wrist angles and movements applied to occupational repetitive work // Journal of Electromyography and Kinesiology. 1996. Vol. 6. № 1. PP. 23-35. 
8. Bastas G., Fleck J.J., Peters R.A., Zelik K.E. IMU-based gait analysis in lower limb prosthesis users: Comparison of step demarcation algorithms // Gait & Posture. 2018. Vol. 64. PP. 30-37. 
9. Lebleu J., Gosseye T., Detrembleur C. et al. Lower limb kinematics using inertial sensors during locomotion: Accuracy and reproducibility of joint angle calculations with different sensor-to-segment calibrations // Sensors. 2020. Vol. 20. № 3. P. 715. 
10. Englehart K., Hudgins B. A robust, real-time control scheme for multifunction myoelectric control // IEEE Transactions on Biomedical Engineering. 2003. Vol. 50. № 7. PP. 848-854. 
11. Tuncer T., Dogan S., Subasi A. Surface EMG signal classification using ternary pattern and discrete wavelet transform based feature extraction for hand movement recognition // Biomedical Signal Processing and Control. 2020. Vol. 58. P. 101872. 
12. Семендаров А.В. Выбор структуры и гиперпараметров svm для эффективного решения задач классификации сигналов электромиографии // Научный взгляд в будущее. 2019. Т. 1. № 14. С. 23-33. 
13. Унаннян Н.Н. Методы и алгоритмы обработки электромио-графического сигнала для управления механическими системами / Дис. канд. техн. наук. – М.: 2022 / https:// www.ipu.ru/sites/default/files/news/Диссертация_ УнанянНН.pdf.