СИСТЕМЫ АНАЛИЗА И ОБРАБОТКИ ДАННЫХ

В работе рассматривается задача предобработки исходных данных в целях выделения информативных признаков сигнала ЭМГ во временной области  в целях классификации мимических движений. Выделенные признаки обрабатываются классификатором искусственной нейронной сети (ИНС) на основе радиально-базисных функций (РБФ). Для повышения эффективности обучения ИНС предложено использовать метод биологической обратной связи (БОС), что позволяет повысить точность классификатора за счет меньшей вариабельности входного сигнала для различных движений. Представлены результаты эксперимента по исследованию эффективности классификатора мимических движений, работающего в режиме реального времени. В исследовательской группе из десяти добровольцев получена выборка для обучения классификатора, экспериментально оценена эффективность использования в качестве входного вектора классификатора шести типов признаков ЭМГ, вычисленных во временной области. В результате сравнения доказана высокая информативность такого признака ЭМГ, как огибающая сигнала, вычисленная посредством преобразования Гильберта с последующим усреднением по пиковым значениям. В качестве инструмента предобработки исходных данных для выделения признаков можно рекомендовать построение огибающей с усреднением по пиковым значениям по 10 отсчетам сигнала (при частоте дискретизации 1 кГц) в качестве входного вектора признаков. Ошибка распознавания мимических движений с использованием предлагаемого классификатора в режиме реального времени составила не более 4,8 %, что является приемлемым уровнем для использования классификатора в составе систем управления бытовыми устройствами.

1. Уровень инвалидизации в Российской Федерации [Электронный ресурс] // Федеральная служба государственной статистики: web-сайт. – URL: http://www.gks.ru/wps/wcm/connect/rosstat_main/rosstat/ru/statistics/population/disabilities/# (дата обращения: 22.05.2018).

1. Brain-machine interfaces for rehabilitation of poststroke hemiplegia // Progress in Brain Research. – 2016.– Vol. 228. – P. 163–183.

3. Georgi M., Amma C., Schultz T. Recognizing hand and finger gestures with IMU based motion and EMG based muscle activity sensing // Proceedings of the International Conference on Bio-inspired Systems and Signal Processing (BIOSIGNALS-2015). – Lisbon, Portugal, 2015. – Vol. 4. – P. 99–108.

4. Prajwal P., Ayan B., Sandeep K. SCEPTRE: a pervasive, non-invasive, and programmable gesture recognition technology // Proceedings of the 21st International Conference on Intelligent User Interfaces. – Sonoma, CA, USA: ACM, 2016. – P. 282–293.

5. Rajesh K., Pradeep Reddy C.H. An overview on human gesture recognition // International Journal of Pharmacy & Technology. – 2016. – Vol. 8, N 2. – P. 12037–12045.

6. Determining optimal feature-combination for LDA classification of functional near-infrared spectroscopy signals in brain-computer interface application [Electronic resource] / N. Naseer, F.M. Noori, N.K. Qureshi, K.S. Hong // Frontiers in Human Neuroscience. – 2016. – Vol. 10. – Art. 237. – URL: https://doi.org/10.3389/fnhum.2016.00237 (accessed: 22.05.2018).

7. Redlarski G., Gradolewski D., Palkowski A. A system for heart sounds classification [Electronic resource] // PLOS ONE. – 2014. – Vol. 9 (11). – URL: https://doi.org/10.1371/journal.pone.0112673 (accessed: 22.05.2018).

8. Rachel M.E., Bhargavi H. Gesture recognition using real time EMG [Electronic resource] // 2015 International Conference on Innovations in Information, Embedded and Communication Systems (ICIIECS). – Coimbatore, India, 2015. – P. 1–3. – URL: https://doi.org/10.1109/ICIIECS.2015.7193196 (accessed: 22.05.2018).

9. Николаев С.Г. Практикум по клинической электромиографии. – Иваново: ИГМА, 2003. – 264 с.

10. Шевцов В.И., Скрипников А.А., Шеин А.П. Применение биологической обратной связи по электромиограмме в комплексном лечении больных с центральными гемипарезами (обзор литературы) // Гений ортопедии. – 2007. – Вып. 1. – C. 142–147.

11. Команцев В.Н. Методические основы клинической электронейромиографии: руководство для врачей. – СПб.: [б. и.], 2006. – 362 с.

12. Будко Р.Ю., Старченко И.Б. Создание классификатора мимических движений на основе анализа электромиограммы // Труды СПИИРАН. – 2016. – Вып. 46. – C. 76–89.

13. Budko R., Starchenko I., Budko A. Preprocessing data for facial gestures classifier on the basis of the neural network analysis of biopotentials muscle signals // ICR 2016: Interactive Collaborative Robotics, Proceedings. – Cham: Springer International Publishing, 2016. – P. 163–171.

14. Anetha K, Rejina J. Hand talk – a sign language recognition based on accelerometer and SEMG data // International Journal of Innovative Research in Computer and Communication Engineering. – 2014. – Vol. 2, Special issue 3. – P. 206–215.

15. Relationship of EMG/SMG features and muscle strength level: an exploratory study on tibialis anterior muscles during plantar-flexion among hemiplegia patients [Electronic resource] / H. Huihui, G. Zhao, Y. Zhou, X. Chen, Z. Ji, L. Wang // BioMedical Engineering OnLine. – 2014. – Vol. 13. – URL: https://biomedical-engineering-online.biomedcentral.com/articles/10.1186/1475-925X-13-5 (accessed: 22.05.2018).

16. Совместный анализ сигналов электроэнцефалограмм, электромиограмм и механического тремора при болезни Паркинсона в ранней стадии / О.С. Сушкова, М.С. Королев, А.В. Габова, С.Н. Иллариошкин, А.В. Карабанов, К.Ю. Обухов, Ю.В. Обухов // Журнал радиоэлектроники. – 2014. – Вып. 5. – URL: http://jre.cplire.ru/iso/may14/12/text.pdf (дата обращения: 22.05.2018).

17. Englehart K., Hudgins B. A robust, real-time control scheme for multifunction myoelectric control // IEEE Translocation Biomedical Engineering. – 2003. – Vol. 50. – P. 848–854.

18. Bishop C.M. Pattern recognition and machine learning. – New York: Springer, 2006. – 738 p. – (Information Science and Statistics).