Трифонов Андрей Андреевич, аспирант
ул. 50 лет Октября 94, г. Курск 305040
Andrey A. Trifonov, Post-Graduate Student
50 Let Oktyabrya str. 94, Kursk 305040
Филист Сергей Алексеевич, д-р технических наук, проф. кафедры биомедицинской инженерии
ул. 50 лет Октября 94, г. Курск 305040
Sergey A. Filist, Dr. of Sci. (Engineering), Professor of the Department of Biomedical Engineering
50 Let Oktyabrya str. 94, Kursk 305040
Петрунина Елена Валерьевна, канд. технических наук, доцент
ул. Льва Яшина 7-14, г. Москва 111674
Elena V. Petrunina, Cand. of Sci. (Engineering), Associate Professor
7-14 Lev Yashin st., Moscow 111674
Кузьмин Александр Алексеевич, д-р технических наук, доцент
ул. 50 лет Октября 94, г. Курск 305040
Alexander A. Kuzmin, Dr. of Sci. (Engineering), Professor, Associate Professor
50 Let Oktyabrya str. 94, Kursk 305040
Сафронов Руслан Игоревич, канд. технических наук, доцент кафедры электротехники и электроэнергетики
ул. К. Маркса 70, г. Курск 305021
Ruslan I. Safronov, Cand. of Sci. (Engineering), Associate Professor of the Department of Electrical Engineering and Electric Power Engineering
70 K. Marx str., Kursk 305021
Крикунова Евгения Владимировна, аспирант
ул. 50 лет Октября 94, г. Курск 305040
Evgeniya V. Krikunova, Post-Graduate Student
50 Let Oktyabrya str. 94, Kursk 305040
Цель исследования - разработка метода декодирования электромиосигналов в системах управления экзоскелетами с виртуальной реальностью, позволяющих адаптировать программу реабилитации робототехнического устройства к функциональному состоянию пациента.
Методы. Для восстановления двигательных функций нижних конечностей постинсультных больных предлагается использовать биотехническую систему с робототехническим устройством, управление которым основано на анализе и классификации электромиосигналов. Робототехническое устройство управляется посредством нечеткой нейронной сети. Формирование вектора информативных признаков для нейронной сети осуществляют посредством многоуровневого компаратора, число уровней которого определяется размерностью вектора информативных признаков, определяемых путем усреднения выходов компараторов в скользящем окне. Дешифратор электромиосигналов включает последовательно соединенные блок компараторов, блок вычисления информативных признаков, мультиплексор, первую нейронную сеть, блок памяти и вторую нейронную сеть, выходы которой предназначены для подключения к контроллеру серводвигателей, и синхронизатор, выходом подключенный к входам управления мультиплексора, блока памяти и контроллера серводвигателей.
Результаты. Разработан классификатор электромиосигналов, отличающийся использованием множества дублирующих каналов ЭМГ-сигналов, связанных с мышцей или группами мышц, контролирующих движение одного и того же сустава конечностей, в результате чего на выходе классификатора каждого канала получаем число, соответствующее уверенности в команде на вращение серводвигателя экзоскелета, все выходы классификаторов каналов поступают на нечеткую нейронную сеть, дефуззификатор которой формирует управляющий сигнал на контроллер серводвигателя. В ходе работы написано программное приложение, способное управлять экзоскелетом при помощи анализа электромиосигналов.
Заключение. Исследование показало, что можно изменить показатели клинического исхода у пациентов с подострым переживанием инсульта после 12 сеансов БТС-тренинга. Биотехническая система с нечетким управлением робототехническим устройством позволяет осуществлять индивидуальную стратегию реабилитации постинсультных больных (включая целенаправленную тренировку ходьбы).
Purpose of research. Development of a method for decoding electromyosignals in control systems for exoskeletons with virtual reality, allowing to adapt the rehabilitation program of a robotic device to the functional state of the patient.
Methods. To restore the motor functions of the lower extremities of post-stroke patients, it is proposed to use a biotechnical system with a robotic device, the control of which is based on the analysis and classification of electromyosignals. The robotic device is controlled by a fuzzy neural network. The formation of the vector of informative features for the neural network is carried out by means of a multilevel comparator, the number of levels of which is determined by the dimension of the vector of informative features determined by averaging the outputs of the comparators in a sliding window. The electromyosignal decoder includes a series-connected block of comparators, a block for calculating informative features, a multiplexer, a first neural network, a memory block and a second neural network, the outputs of which are intended to be connected to a servo motor controller, and a synchronizer connected by an output to the control inputs of the multiplexer, memory unit and servo motor controller.
Results. A classifier of electromyosignals has been developed, which is characterized by the use of multiple duplicate channels of EMG signals associated with a muscle or muscle groups that control the movement of the same joint of the extremities, as a result of which, at the output of the classifier of each channel, we obtain a number corresponding to the confidence in the command to rotate the servo motor of the exoskeleton, all the outputs of the channel classifiers are fed to a fuzzy neural network, the defuzzifier of which generates a control signal to the servo motor controller. In the course of the work, a software application was written that can control the exoskeleton using the analysis of electromyosignals.
Conclusion. The study showed that it is possible to change the indicators of clinical outcome in patients with subacute stroke experience after 12 sessions of BPS training. A biotechnical system with fuzzy control of a robotic device allows for an individual strategy for the rehabilitation of post-stroke patients (including targeted walking training).
The authors declare that there are no conflicts of interest present.