Метод и алгоритмы декодирования электрофизиологических сигналов в биотехнических системах реабилитационного типа

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).

1. Аль-Бареда А. Я. С., Брежнева А. Н., Томакова Р. А. Алгоритмы синтеза оптимального управления в биотехнических системах реабилитационного типа на основе технологий нейронных сетей // Системный анализ и управление в биомедицинских системах. 2018. Т. 17, № 3. С. 750-754.

2. 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.

3. 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 ER(ZR) 2020. Ufa, 2020. Р. 237-247. https://doi.org/ 10.1007/978-981-15-5580-0_19.

4. 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. 6779. https://doi.org/10.26102/2310-6018/2019.24.L025.

5. Филист С. А., Шаталова О. В., Ефремов М. А. Гибридная нейронная сеть с макрослоями для медицинских приложений // Нейрокомпьютеры. Разработка и применение. 2014. № 6. С. 35-39.

6. Гибридные многоагентные классификаторы в биотехнических системах диагностики заболеваний и мониторинга лекарственных назначений / М. А. Ефремов, О. В. Шаталова, В. В. Федянин, А. Н. Шуткин // Нейрокомпьютеры: разработка, применение. 2015. № 6. С. 42-47.

7. 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.

8. Предикторы синхронности системных ритмов живых систем для классификаторов их функциональных состояний / Т. В. Петрова, С. А. Филист, С. В. Дегтярев, А. В. Киселев, О. В. Шаталова // Системный анализ и управление в биомедицинских системах. 2018. Т. 17, № 3. С. 693-700.

9. Neural network model in the exoscelete verticalization control system / A. A. Trifonov, A. A. Kuzmin, S. A. Filist, E. V. Petrunina // Journal of Phisics: Conference Series. 2020. N 1679. P. 032036. https://doi.org/10.1088/1742-6596/1679/3/032036.

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

11. Кассим К. Д. А., Филист С. А., Рыбочкин А. Ф. Компьютерные технологии обработки и анализа биомедицинских сигналов и данных: учебное пособие / Юго-Зап. гос. ун-т. Курск, 2016. 290 с.

12. Пат. 2635632 Российская Федерация, МПК A 61 F 2/72, A 61 F 2/68, A 61 F 2/62. Способ и система управления интеллектуальной бионической конечностью / Ива- нюк Н. М., Каримов В. Р., Будко Р. Ю., Гронский П. В., Клейман С. М.; заявитель и патентообладатель Общество с ограниченной ответственностью «Бионик Натали». № 2016149199; заявл. 14.12.16; опубл. 14.11.17, Бюл. № 32. 30 с.: ил.

13. Wearable robotic exoskeleton for overground gait training in sub-acute and chronic hemiparetic stroke patients: preliminary results / F. Molteni [et al.] // European Journal of Physical and Rehabilitation Medicine. 2017. Vol. 53, N 5. P. 676-684. https://doi.org/ 10.23736/S1973-9087.17.04591-9.