?
На пути к детальному декодированию естественных двигательных намерений по электромиограмме
Несмотря на последние достижения (Fajardo et al., 2020; Okorokova et al., 2015), создание систем, сочетающих распознавание по электромиографической активности естественных намерений к движению отдельными пальцами или сложными жестами остается проблемой (Pasluosta et al., 2022). Актуальной является задача создания систем обучения пациентов управлению протезом на ранних этапах ампутации. Исследование включает разработку системы бесконтактного сбора синхронной кинематики руки и высокоплотной ЭМГ с небольшого участка запястья; выявление значимых особенностей в ЭМГ активности для обучения модели; тестирование существующей архитектуры нейронной сети (Petrosyan et al., 2021) для прогнозирования движений; разработку системы итерационного совместного обучения пациента и алгоритма управления виртуальным протезом. Участие в исследовании приняли 8 здоровых людей без нервно-мышечных расстройств в анамнезе. Была разработана процедура онлайн-синхронизации временного ряда кинематических параметров, оцениваемых из видеопотока (Lugaresi et al., 2019), и 64-канальной ЭМГ, собираемой сеткой электродов высокой плотности (4x4 см) над мышцами flexor carpi radialis, palmaris longus, flexor carpi ulnaris. Условия процедуры включали движения отдельными пальцами и фиксацию 7 жестов в каждом из 4 положений руки: 1) поднята на локте, 2) лежит на столе, 3) поднята на локте и сжата в кулак, 4) заблокирована для движений (считывание координат с другой руки). Запись каждого условия велась 10 минут. Анализ независимых компонент (ICA) показал наличие компонент, связанных с движением каждого отдельного пальца. В среднем было выделено 2.3 ЭМГ-компоненты (ст. откл. = 0.7), которые имеют высокую степень корреляционной связи с кинематикой. Была разработана итерационная процедура, основанная на усложнении заданий по синхронному выполнению движений зафиксированной и свободной руками. Тренировка декодера на каждом шаге использовала зеркально отраженную кинематику “здоровой” (не зафиксированной) руки. Оценка предсказаний модели велась по расчётам среднего угла отклонения от настоящих движений (показатель MAE). Лучшие результаты имеют условия с движениями отдельных пальцев (9±2) и с блокировкой движений (10±2), худшие – движения из кулака (20±5). Итерационная процедура демонстрирует хорошую сходимость. В настоящее время ведется доработка системы и интеграция с устройствами дополненной реальности для создания тренажера по обучению ампутантов управлению протезом с большим числом степеней свободы