Гибридный метод контроля мышечной усталости в робототехнической системе

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.

1. Подъем груза в экзоскелете с гравитационной компенсацией / С. Ф. Яцун, В. М. Антипов, А. Е. Карлов, Х. Х. М. Аль Манджи // Известия Юго-Западного государственного университета. 2019. Т. 23, № 2. С. 8–17. https://doi.org/10.21869/2223-1560- 2019-23-2-8-17.

2. Human-Machine Interface of Rehabilitation Exoskeletons with Redundant Electromyographic Channels / A. Trifonov, S. Filist, S. Degtyarev, V. Serebrovsky, O. Shatalova // Zavalishin’s Readings. Proceedings of 15th International Conference on Electromechanics and Robotics. Ufa, 2020. Р. 237–247.

3. Петрунина Е. В., Томакова Р. А., Филист С. А. Гибридные методы и модели для биотехнических систем с адаптивным управлением диагностическими и реабилитационными процессами / Юго-Западный государственный университет. Курск, 2022. 249 с.

4. ЭМГ-анализ утомления разных групп инспираторных мышц человека при тяжелых физических нагрузках / М. О. Сегизбаева, Н. П. Александрова, Н. Н. Тимофеев, Е. Н. Курьянович // Международный журнал прикладных и фундаментальных исследований. 2016. № 6. С. 898–902.

5. Метод и алгоритмы локализации кластеров адаптационного потенциала в биотехнических системах реабилитации лиц с ограниченными возможностями здоровья / А. В. Бутусов, А. В. Киселев, Е. В. Петрунина, А. Х. А. Хайдер [и др.] // Моделирование, оптимизация и информационные технологии. 2023. Т. 11, № 2. С. 1–20. https://doi.org/ 10.26102/2310-6018/2023.41.2.012.

6. Яцун С. Ф., Антипов В. М., Карлов А. Е. Моделирование подъема груза с помощью промышленного экзоскелета // Известия Юго-Западного государственного университета. 2018. Т. 22, № 6 (81). С. 14–20.

7. Classification of the Functional State of the Respiratory System Based on the Spectral Analysis of the Electrocardio Signal / M. B. Myasnyankin, A. A. Kuzmin, S. A. Filist, L. V. Shulga // Information Technologies and Intelligent Decision Making Systems: 2021 International Scientific and Practical Conference. Moscow, 2021. Vol. 2843. P. 10.

8. Пат. 2766764 Российская Федерация, МПК A61B 5/313. Способ оценки мышечной усталости на основе контроля паттернов синергии и устройство для его осуществления / Филист С. А., Трифонов А. А., Кузьмин А. А., Сафронов Р. И., Петрунина Е. В.; заявитель и патентообладатель Федеральное государственное бюджетное образовательное учреждение высшего образования «Юго-Западный государственный университет». Заявл. 04.03.21; опубл. 15.03.22.

9. Кодовые образы сигналов электроэнцефалограммы для управления робототехническими устройствами посредством интерфейса «мозг-компьютер» / С. А. Филист, Е. В. Петрунина, А. А. Трифонов, А. В. Серебровский // Моделирование, оптимизация и информационные технологии. Научный журнал. 2019. Т. 7, № 1. С. 67–79. https://doi.org/10.26102/2310-6018/2019.24.1.025.

10. Двухуровневая нейросетевая модель дешифратора электромиосигнала в системе управления вертикализацией экзоскелета / А. А. Трифонов, С. А. Филист, А. А. Кузьмин, В. В. Жилин, Е. В. Петрунина // Прикаспийский журнал: управление и высокие технологии. 2020. № 4 (52). С. 99–111.

11. Trifonov A. A., Kuzmin A. A., Filist S. A. Biotechnical System for Control to the Exoskeleton Limb Based on Surface Myosignals for Rehabilitation Complexes // IEEE 14th International Conference on Application of Information and Communication Technologies (AICT). Tashkent, Uzbekistan, 2020. https://doi.org/10.1109/AICT50176.2020.9368588.

12. Биотехническая система с виртуальной реальностью в реабилитационных комплексах с искусственными обратными связями / А. А. Трифонов, Е. В. Петрунина, С. А. Филист, А. А. Кузьмин, В. В. Жилин // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2019. Т. 9, № 4. С. 46–66.

13. Myasnyankin M. B., Kuzmin A. A., Filist S. A. Neural network classifiers with descriptors obtained on the basis of analysis of the system rhythms in intellectual prediction systems for non-hospital pneumonia // Journal of Physics: Conference Series. 2021. N 1801. P. 012046. https://doi.org/10.1088/1742-6596/1801/1/012046.

14. Коряк Ю. А. Нейромышечные изменения под влиянием семисуточной механической разгрузки мышечного аппарата человека // Фундаментальные исследования. 2008. № 9. С. 8–21.

15. Филист С. А., Томакова Р. А., Яа Зар До. Универсальные сетевые модели для задач классификации биомедицинских данных // Известия Юго-Западного государственного университета. 2012. № 4-2(43). С. 44–50.

16. Аль-Бареда А. Я. С., Томакова Р. А., Брежнева А. Н. Алгоритмы синтеза оптимального управления в биотехнических системах реабилитационного типа на основе технологии нейронных сетей // Системный анализ и управление в биотехнических системах. 2018. Т. 17, № 3. С. 718–725.

17. Multimodal neural network classifier of the functional state of the respiratory system / S. A. Filist, M. B. Myasnyankin, R. I. Safronov, A. A. Kuzmin // Journal of Physics: Conference Series. 2021. N 2094. P. 03264. https://doi.org/10.1088/1742-6596/2094/3/032064.

18. Biotechnical neural network system for predicting cardiovascular health state using processing of bio-signals / S. Filist, Riad Taha Al-Kasasbeh, O. V. Shatalova, Mohammad Hjouj Btoush, Manafaddin Namazov, Ashraf Adel Shaqadan, Mahdi Alshamasin, N. Korenevskiy, Saleh Aloqeili, M. B. Myasnyankin // International Journal of Medical Engineering and Informatics. 2021. N 1(1). P. 1. https://doi.org/10.1504/IJMEI.2022.10047451.

19. Томакова Р. А., Филист С. А., Насер А. А. Нечеткие нейросетевые технологии для выделения сегментов с патологическими образованиями и морфологическими структурами на медицинских изображениях // Биомедицинская радиоэлектроника. 2012. № 4. С. 43–49.

20. Метод классификации рентгенограмм на основе использования глобальной информации / Р. А. Томакова, М. В. Томаков, И. В. Дураков, В. В. Жилин // Биомедицинская радиоэлектроника. 2016. № 94 (11). С. 45–51.