Классификация некоторых деликатных движений пальцев для создания современного биоинтерфейса

КЛАССИФИКАЦИЯ НЕКОТОРЫХ деликатных ДВИЖЕНИЙ ПАЛЬЦЕВ ДЛЯ СОЗДАНИЯ СОВРЕМЕННОГО БИОИНТЕРФЕЙСА.
С развитием компьютерных технологий человеко-компьютерное взаимодействие (ЧКВ) в основном управлялось посредством компьютерных периферийных устройстви (мышью, клавиатурой). Но в результате развития аппаратно-программных средств и внедрения современных технологий (Интернет вещей, облачные технологии) стали создаваться новые системы управления, для чего можно привести следующие примеры.
• Голосовое управление [1].
• Управление пальцами (через видеокамеру [2], через специальные перчатки, через специальные датчики).
• Интерфейс мозг-компьютер ЭЭГ (электроэнцефалография) [3] и другие.
Использование этих интерфейсов удобно в особых ситуациях, когда нет возможности взаимодействия с внешними устройствами.
Одним из наиболее точных и эффективных методов развития точности движений рук и основанных на них систем (ЧКВ) является классификация мышечной активности, возникающей в результате движения. Поэтому использование сигналов биоэлектрической активности мышц для управления любым современным устройством является одной из актуальных проблем. Для записи этих движений используется сигнал электромиографии (ЭМГ).Спектр сигналов ЭМГ очень широк, и их можно использовать в медицине для изучения мышечной активности, оценки эффективности реабилитации больных, наблюдения за состоянием человека.
Сигнал ЭМГ является биосигналом, который регистрирует мышечную активность в организме. В данной статье представлены некоторые важные особенности сигнала ЭМГ и результаты анализа по методам классификации.
Сигнал ЭМГ меняется со временем и может быть подвержен искажениям из-за шума. Для получения его точных значений, повышения точности и уменьшения потребности в расчетах важно правильно выбрать методы выделения и классификации признаков.
Системы управления на основе сигнала ЭМГ в основном состоят из таких этапов, как сбор данных, настройка сигналов, извлечение признаков, их классификация и контроль (рис. 1).


Фигура 1. Процесс обработки сигналов в системах управления на основе сигнала ЭМГ.
Этап приема ЭМГ-сигнала – это, по сути, процесс записи сигнала от организма человека неинвазивным способом.На следующем этапе в основном выполняется коррекция сигнала, то есть подготовка сигнала к обработке (фильтрация сигнала, сегментация, разделение на кадры и т. д.). Этап выделения признаков считается основным этапом, в котором необходимо определить наиболее оптимальный вариант выбора нужных нам параметров сигнала ЭМГ, а этап классификации осуществляется с использованием существующих алгоритмов искусственного интеллекта, их гибрид или совершенно новый интеллектуальный алгоритм. Под этапом управления понимается процессу переноса созданного корпуса классификаций на аппаратное обеспечение. Каждое действие, проверяется алгоритмами искусственного интеллекта, и тестируется устройством.
В человеческом теле имеется более двухсот типов мышц, и каждая из них или их комбинация реагируют на разные движения. Анализируя биоэлектрическую активность различных мышц, мы можем увидеть что определенные мышцы связаны с определенными движениями.
Аппаратная часть
Характер сигнала: После поступления нервного импульса от спинного мозга к терминальной пластинке нерва, прикрепленного к мышечному волокну, в оболочке мышечного волокна происходит деполяризация. Деполяризация происходит за счет внутреннего движения ионов Са++. Электроды, расположенные в этой области, регистрируют напряжение (электрический потенциал) мышечных волокон. Амплитудный диапазон сигнала электромиографии варьируется от единиц микровольт до нескольких десятков милливольт. Частота повторения сигнала может варьироваться от 0,5 Гц до нескольких сотен Гц.
Электроды: могут крепиться к поверхности кожи для регистрации биопотенциалов в мышцах и могут быть игольчатыми (рис. 2) [4].
Поверхностные электроды регистрируют потенциалы действия сотен и даже тысяч нервных волокон наряду с полной активностью мышцы, что, конечно, приводит к определенной степени искажения нужного сигнала.

(Рис. 2). Структура электрода. металлический корпус (1), пластиковая крышка (2), датчик Ag/AgCl (3), крыло (4), гель-электролит (5), клейкая защитная пленка (6)
Устройство, используемое для регистрации сигнала ЭМГ: В данной исследовательской работе использовалось устройство BITalino, его преимущества: понятный (простой), мобильный, основанный на беспроводной технологии и относительно дешевый. Технические параметры этого устройства представлены в таблице 1 [5,6].20
1 Таблица

Технические характеристики
Частота	1, 10, 100 хамда 1000 Hz
Аналоговые порты	4 та кирувчи (10-бит) + 2 та кирувчи (6-бит)
Цифровые порты	4 та кирувчи (1-бит) + 4 та чиқувчи (1-бит)
Обращение к данным	Class II Bluetoth v2.0 (қамрови 10 метргача)
Актуаторы	LED
Сенсоры	ECG; EMG; EDA; ….
Батарейка	3.7В LiPo
Вес	30 г
Размер	100 × 60 мм

Сбор сигнала

В данном исследовании сигналы ЭМГ были получены от 17 здоровых людей (все мужчины) в возрасте от 21 до 30 лет.
Перед началом эксперимента необходимо исключить факторы, влияющие на результаты, то есть любое напряжение и мышечное утомление во время эксперимента. Кроме того, необходимо создать хорошие и подходящие условия для получения четкого сигнала ЭМГ с низким уровнем шума. Данные регистрировались в течение 10 дней для учета мышечной усталости.

Рисунок 3. Расположение электродов
Еще одним важным фактором является выбор нужного типа мышц для записи сигнала. В этой статье сигнал был получен через мышцу radial fleksor carpus (рис. 3). Для каждого из трех движений был регистрировали отдельный сигнал . Эти движения называются сгибанием первого пальца (F1), сгибанием среднего пальца (F2) и сгибанием безымянного пальца (F3) (рис. 4). Показаны сигналы, сгенерированные тремя использованными движениями (рис. 5).

Рисунок 4. Три движения пальцев. F1 - согнуть указательный палец, F2 - согнуть средний палец, F3 - согнуть безымянный палец.


Рисунок 5. Сигнал ЭМГ трех движений.
Классификация сигналов.
При классификации мы рассматриваем два метода: классификацию по функции плотности вероятности и классификацию параметров сигнала с помощью алгоритмов машинного обучения и нейронных сетей.
1 - Метод
Суть этого метода классификации заключается в построении функции плотности вероятности жеста на основе энтропии сигналов для каждого жеста.
(1)
где x – M – линия-вектор в момент сгибания и разгибания пальца в заданном окне; H(x) — энтропия линейного вектора сигнала; - вероятность того, что амплитуда x отсчетов будет равна n частям.
(2)
где f — плотность вероятности; ; μ = M [H] — математическое ожидание; - дисперсия.
Например, пусть есть сигнал, полученный сгибанием 60 пальцев, где вычисляется энтропия каждого сигнала (1), в результате чего получается вектор из 60 значений энтропии. Затем по этим значениям энтропии находится плотность вероятности. С помощью этого же алгоритма рассчитываются и другие движения пальцев в той же последовательности.
Значения плотности вероятности (рисунок 6) и результаты испытаний (рисунок 7) для всех трех случаев полученных при исследовании приведены ниже.