Необходимо зарегистрироваться, чтобы получить доступ к полным текстам статей и выпусков журналов!
- Название статьи
- Нейронно-сетевой анализ многоканальных ЭМГ-сигналов: архитектуры, алгоритмы и применение в управлении протезами конечностей
- Авторы
- Гарафутдинов Айзат Алмазович time-v@yandex.ru, студент, ФГБОУ ВО «Казанский национальный исследовательский технический университет им. А. Н. Туполева - КАИ», г. Казань, Россия
- В разделе
- ТЕХНИЧЕСКАЯ ЗАЩИТА ИНФОРМАЦИИ. Доверенная среда
- Ключевые слова
- электромиография / миоинтерфейс / протезирование / машинное обучение / глубокое обучение / CNN / LSTM / трансформеры / распознавание жестов
- Год
- 2025 номер журнала 2 Страницы 34 - 41
- Индекс УДК
- 621.3.049.77
- Код EDN
- VNPKEQ
- Код DOI
- 10.52190/2073-2600_2025_2_34
- Финансирование
- Тип статьи
- Научная статья
- Аннотация
- Рассматриваются современные методы анализа электромиографических (ЭМГ) сигналов для управления протезами конечностей. Особое внимание уделено применению алгоритмов машинного обучения, включая сверточные (CNN) и рекуррентные нейронные сети (LSTM), а также трансформеры, для автоматического выделения пространственно-временных паттернов в многоканальных ЭМГ-данных. Проведён сравнительный анализ классических и современных подходов, обсуждаются их преимущества и ограничения. Рассмотрены ключевые этапы обработки сигналов: фильтрация, сегментация, извлечение признаков и классификация. Приведены примеры использования открытых баз данных (NinaPro, BioPatRec) для обучения и валидации моделей. Показано, что глубокое обучение позволяет повысить точность распознавания жестов по сравнению с традиционными методами (LDA, SVM), что открывает перспективы для создания интуитивных многофункциональных протезов.
- Полный текст статьи
- Для прочтения полного текста необходимо купить статью
- Список цитируемой литературы
-
De Luca C. J. Surface Electromyography: Detection and Recording. - Boston: Delsys Incorporated, 2002.
RaezM. B. I., Hussain M. S., Mohd-Yasin F. Techniques of EMG signal analysis: detection, processing, classification and applications // Biological Procedures Online. 2006. V. 8, P. 11-35.
Zhang W., Zhao T., Zhang J., Wang Y. LST-EMG-Net: Long short-term transformer feature fusion network for sEMG gesture recognition // Frontiers in Neurorobotics. 2023. V. 17. Art. 1127338.
Li M., Wang J., Yang S., et al. A CNN-LSTM model for six human ankle movements classification on different loads // Frontiers in Human Neuroscience. 2023. V. 17. Art. 1101938.
Atzori M., Gijsberts A., Castellini C., et al. Electromyog-raphy data for non-invasive naturally-controlled robotic hand prostheses // Scientific Data. 2014. V. 1. Art. 140053.
Ortiz-Catalan M., Branemark R., Hakansson B. Bi-oPatRec: A modular research platform for the control of artificial limbs based on pattern recognition algorithms // Source Code for Biology and Medicine. 2013. V. 8(1). Art. 11.
AtzoriM., GijsbertsA., MullerH., Caputo B. Classification of hand movements in amputated subjects by sEMG and ac-celerometers. Proc. 36th Ann. Int. Conf. IEEE Engineering in Medicine and Biology Society (EMBC). 2014. P. 3545-3549.
Zhou Zh., Tao Q., Su Na, Liu J., Chen Q., Li B. et al. Lower limb motion recognition based on sEMG and CNN-TL fusion model // Sensors. 2024. V. 24(21). Р. 7087. DOI: 10.3390/s24217087.
- Купить
- 500.00 руб
