Рассмотрено влияние кинематических параметров движения локтя (угловое перемещение, скорость и ускорение) на поверхностный электромиографический сигнал двуглавой мышцы плеча при выполнении движений локтя с различной нагрузкой. Установлены зависимости частотных и амплитудных параметров ЭМГ-сигналов от параметров движения локтя при подъеме и опускании груза. Показана структура экспериментального стенда. Представлена методика записи ЭМГ-сигналов с двуглавой мышцы плеча, а также методика обработки сигналов. Для формирования количественных значений показателей анализа сигналов использовались методы спектрального и статистического анализа. Статистический анализ во временной области включал в себя определение следующих параметров: дисперсия амплитудных значений ЭМГ, среднее и среднеквадратическое значение абсолютных величин амплитуд ЭМГ, частота пересечения нулевой линии ЭМГ-сигналом. Эти параметры, а также параметр, характеризующий форму сигнала, определялись на основе массива измеренных значений сигнала, формируемого в течение 0,3 секунды текущего интервала времени («скользящий» интервал). Оценена величина развиваемого мышечного усилия, найдены коэффициенты косинусного преобразования Фурье. Построены гистограммы распределений биопотенциалов ЭМГ. В частотной области выполнялся спектральный анализ ЭМГ-сигналов методом быстрого преобразования Фурье. Определялись общая мощность спектра, средняя частота, медиана, частота спектральной составляющей, имеющей наибольшую амплитуду. Регистрация и анализ биопотенциалов ЭМГ выполнялись средствами Matlab. Выявлены информационные признаки, которые могут быть использованы для синтеза интеллектуальной системы управления на основе нейронных сетей.
пассивный экзоскелет, параметры движения локтя, электромиографический сигнал, статистический анализ, спектральный анализ сигналов, Matlab.
Введение. Скелетные мышцы являются совокупностью двигательных единиц (ДЕ). При стимуляции нейронным сигналом каждая ДЕ сокращается и генерирует электромиографический (ЭМГ) сигнал, который представляет собой сумму потенциалов действия всех вовлеченных в процесс клеток [1]. Поверхностная ЭМГ часто используется для оценки относительного уровня мышечной активности во время движений [2]. Известно, что слабые волевые усилия заставляют ДЕ возбуждаться с частотой примерно 5–15 Гц, а при возрастании усилий частота увеличивается до 25–50 Гц с формированием интерференционного типа ЭМГ-сигнала. По мере утомления мышцы наблюдается снижение доли высокочастотных составляющих и увеличение амплитуды ЭМГ [3]. Сигнал ЭМГ, записанный с использованием поверхностных электродов, является сложным, включает в себя интерферирующие составляющие, поэтому его анализ затруднен [4].
1. Рангайян, Р. М. Анализ биомедицинских сигналов. Практический подход / Р. М. Рангайян. - Москва : Физматлит, 2007. - 440 с.
2. Knee angle-specific EMG normalization: The use of polynomial based EMG-angle relationships [Электронный ресурс] / J.-E. Earp [et al.] // Journal Electromyogr. Kinesiol. - Режим доступа: http://dx.doi.org/10.1016/j.jelekin.2012.08.015 (дата обращения 04.09.14).
3. De Luca, C.-J. Physiology and mathematics of myoelectric signals / C.-J. De Luca // IEEE Transac-tions on Biomedical Engineering. - 1979 - V. 26. - P. 313-325.
4. Konrad, P. The ABC of EMG A Practical Introduction to Kinesiological Electromyography. Version 1.4, March 2006. Noraxon INC [Электронный ресурс] / P. Konrad. - Режим доступа: http://www.noraxon.com/docs/education/abc-of-emg.pdf (дата обращения 04.09.14).
5. Zeeshan, O.-K. Surface EMG pattern recognition for real-time control of a wrist exoskeleton [Электронный ресурс] / O.-K. Zeeshan // Biomedical Engineering Online. - Режим доступа: http://www.biomedical-engineering-online.com/content/9/1/41 (дата обращения 04.09.14).
6. Phinyomark, A. Feature Extraction and Reduction of Wavelet Transform Coefficients for EMG Pattern Classification / A. Phinyomark [et al.] // Electronics and Electrical Engineering. - 2012. - № 6. - P. 27-32.
7. Сафин, Д. Р. Информационно-измерительная система управления биоэлектрическим протезом : автореф. дис. … канд. техн. наук / Д. Р. Сафин. - Астрахань, 2011. - 22 с.
8. Tkach, D. Study of stability of time-domain features for electromyographic pattern recognition [Электронный ресурс] / D. Tkach, He Huang, T.-A Kuiken // Journal of NeuroEngineering and Rehabilitation. - Режим доступа: http://www.jneuroengrehab.com/content/7/1/21/ (дата обращения 04.09.14).
9. Шайдук, А. М. Анализ спектра квазипериодических импульсов электромиограммы / А. М. Шайдук, С. А. Останин // Журнал радиоэлектроники. - 2011. - № 8. - С. 1-12.
10. Чернышев, Ю. О. Разработка алгоритма интеллектуальной поддержки улучшения промежу-точных решений оптимизационных задач / Ю. О. Чернышев, Н. Н Венцов, С. А. Мухтаров // Вестник Дон. гос. техн. ун-та. - 2012. - № 5.- С. 68-76.
