Кузьмин Александр Алексеевич, кандидат технических наук, доцент кафедры вычислительной техники
ул. 50 лет Октября, д. 94, г. Курск 305040
Alexander A. Kuzmin, Cand. of Sci. (Engineering), Associate Professor of the Department of Computer Science
50 Let Oktyabrya Str. 94, Kursk 305040
Томакова Римма Александровна, доктор технических наук, профессор, профессор кафедры программной инженерии
ул. 50 лет Октября, д. 94, г. Курск 305040
Researcher ID: O-6164-2015
Rimma A. Tomakova, Dr. of Sci. (Engineering), Professor, Professor of the Department of Software Engineering
50 Let Oktyabrya Str. 94, Kursk 305040
Researcher ID: O-6164-2015
Петрунина Елена Валерьевна, кандидат технических наук, доцент, заведующий кафедрой СМАРТ-технологий
ул. Большая Семёновская д. 38, г. Москва 107023
Elena V. Petrunina, Cand. of Sci. (Engineering), Associate Professor, Head of the Department of SMART Technologies
38 Bol'shaya Semyonovskaya Str., Moscow 107023
Ермаков Дмитрий Андреевич, аспирант кафедры биомедицинской инженерии
ул. 50 лет Октября, д. 94, г. Курск 305040,
Dmitry A. Ermakov, Post-Graduate Student of the Department of Biomedical Engineering
50 Let Oktyabrya Str. 94, Kursk 305040
Кадырова София, аспирант кафедры биомедицинской инженерии
ул. 50 лет Октября, д. 94, г. Курск 305040
Sofia Kadyrova, Post-Graduate Student of the Department of Biomedical Engineering
50 Let Oktyabrya Str. 94, Kursk 305040
Цель исследования – разработка метода контроля мышечной усталости в робототехнических устройствах, работающих в комбинированном режиме.
Методы. Для вычисления экзогенного момента сил робототехнического устройства предложен дешифратор поверхностного электромиосигнала, который учитывает эффект мышечной усталости оператора. Путем дешифрации электромиосигнала определяется ассистирующий момент на серводвигатели робототехнического устройства. При расчете ассистирующего момента принимается во внимание степень мышечной усталости. Метод оценки мышечной усталости заключается в оценке показателя синхронности электромиосигналов на мышцах-синергистах и основан на гибридном подходе формирования модуля принятия решений. Первый модуль принятия решения построен на основе нейросетевого классификатора, дескрипторы для которого формируются на основе анализа спектров электромиосигналов мышцсинергистов. Второй модуль принятия решения включает два канала синергии на каждый электромиографический канал. Первый канал синергии получают посредством амплитудной демодуляции электромиосигнала, а второй – посредством его частотной демодуляции. В результате получаем два классификатора мышечной усталости, решения которых интегрируются агрегатором.
Результаты. Проведены экспериментальные исследования зависимости электромиосигнала от величины мышечного усилия и от его длительности, которые показали, что относительное изменение усредненного показателя RMS при статичной нагрузке может служить объективным показателем степени усталости мышцы.
Заключение. Разработанный метод позволяет управлять механическими моментами на серводвигателях робототехнического устройства адекватно тестовой мышечной нагрузке и функциональному состоянию мышц пользователя. Метод позволяет осуществлять индивидуальную настройку блока нейросетевого классификатора и блока нечеткого логического вывода с последующей агрегацией их решений и таким образом оптимизировать комбинированный режим работы робототехнического устройства.
The purpose of research is development of a method for controlling muscle fatigue in robotic devices operating in a combined mode.
Methods. To calculate the exogenous moment of forces of a robotic device, a surface electromyosignal decoder is proposed, which takes into account the effect of the operator's muscle fatigue. By decoding the electromyosignal, the assisting torque on the servomotors of the robotic device is determined. When calculating the assisting moment, the degree of muscle fatigue is taken into account. The method for assessing muscle fatigue consists in assessing the indicator of synchronism of electromyosignals on synergistic muscles and is based on a hybrid approach to the formation of a decision-making module. The first decision-making module is built on the basis of a neural network classifier, the descriptors for which are formed based on the analysis of the spectra of electromyosignals of synergistic muscles. The second decision module includes two synergy channels per electromyographic channel. The first synergy channel is obtained by amplitude demodulation of the electromyosignal, and the second - by its frequency demodulation. As a result, we obtain two muscle fatigue classifiers, the solutions of which are integrated by the aggregator.
Results. Experimental studies of the dependence of the electromyosignal on the magnitude of muscle effort and its duration were carried out, which showed that the relative change in the average RMS index under static load can serve as an objective indicator of the degree of muscle fatigue.
Conclusion. The developed method makes it possible to control the mechanical moments on the servomotors of a robotic device adequately to the test muscle load and the functional state of the user's muscles. The method allows for individual adjustment of the neural network classifier block and the fuzzy inference block with subsequent aggregation of their solutions and thus optimize the combined operation mode of the robotic device.
The authors declare that there are no conflicts of interest present.