XII Международная студенческая научная конференция Студенческий научный форум - 2020

Известно, что биоэлектрические сигналы, регистрируемые с поверхности кожи вблизи от сокращающихся мышц, являются результатом сложения электрических потенциалов, генерируемых большим количеством так называемых двигательных единиц (групп мышечных волокон) [1]. Каждая двигательная единица генерирует квазипериодические импульсы, частота следования которых определяется величиной усилия мышцы, совершающей механическую работу. Длительность импульсов на порядок меньше периода их следования.

Полагается, что сложная форма электромиографического сигнала обусловлена асинхронностью интерферирующих импульсов отдельных двигательных единиц. Поскольку отдельные двигательные единицы имеют независимые каналы инициализации, естественно предположить, что суммируемые последовательности импульсов в большей степени отличаются фазой и в меньшей степени – частотой. Независимость моментов инициализации разных двигательных единиц в разрабатываемой модели возможно установить с помощью временного сдвига. В результате этого последовательность импульсов распределяется равномерно в интервале от нуля до среднего значения периода следования импульсов [2].

В качестве базового элемента для синтеза электромиографического сигнала был выбран моноимпульс Гаусса. Во-первых, некоторые двигательные единицы генерируют электрические импульсы, форма которых близка к моноимпульсу Гаусса, во-вторых, математические преобразования функции, с помощью которой описывают моноимпульс Гаусса, могут быть легко выполнены аналитически.

Генерация моноимпульса Гаусса с заданными характеристиками является первым шагом в создании модели электромиографического сигнала. Затем следует смоделировать сигнал с наложением случайной помехи, так как в природе «чистого» биосигнала не существует, а шум является его неотъемлемой составляющей, что может характеризовать себя в некотором смысле относительной величиной ошибки измерения. Электромиографический сигнал (ЭМС) при математическом описании в аналитическом виде представляется функцией S(t), зависящей от времени Δt

В дискретном виде ЭМС представляется так:

где x – отсчеты сигнала, n – количество наложений, shift(t_i) – сдвиг каждого наложения с задержкой по времени.

Наложение случайной помехи на ЭМС в аналитическом виде представляется так:

где q – normal noise signal – шум (случайная помеха) сигнала.

Генерация моноимпульса Гаусса с наложением случайной помехи является наиболее доступным способом моделирования ЭМГ-сигнала, который можно реализовать в программном обеспечении. Кроме того, при построении такой модели сигнал получается наиболее приближенным к реальному.

Для решения задачи моделирования ЭМГ генерацией моноимпульса Гаусса с наложением случайной помехи предлагается разработать виртуальный прибор для моделирования электромиографического сигнала с помощью пакета Biomedical Toolkit программного обеспечения (ПО) LabVIEW. В стандартную версию ПО LabVIEW данный пакет инструментов не входит, поэтому его нужно устанавливать отдельно.

С помощью инструментов Simulate EMG (Biomedical Toolkit), Equi-Ripple BandPass.vi, Absolute Value, Waveform Graph необходимо составить виртуальный прибор, показанный на рисунке 1.

Рисунок 1 – Виртуальный прибор для создания ЭМГ сигнала

Инструмент Simulate EMG принадлежит пакету Biomedical Toolkit и вызывается следующим образом (рисунок 2).

Рисунок 2 – Вызов инструмента Simulate EMG

Первая стадия обработки ЭМГ-сигналов – это их фильтрация. Её применение необходимо для избавления от высокочастотных шумов и низкочастотных артефактов движения (они могут возникать, например, вследствие смещения электродов). Известно, что миографические сигналы не содержат постоянной составляющей, их спектр, как правило, ограничен частотой 500 Гц, а типичные амплитуды не усиленного сигнала лежат в диапазоне 0,01–50 мВ. Поэтому после регистрации миографические сигналы пропускаются через полосовой фильтр для очистки сигнала от неинформативных параметров [3]. В большинстве случаев информативную ценность представляет только положительная часть сигнала [4], поэтому можно использовать инструмент Absolute value и заданные параметры симуляции ЭМГ-сигнала (рисунок 3).

Рисунок 3 – Задаваемые параметры ЭМГ сигнала

В результате выполнения данных условий получается модель сигнала, представленная на рисунке 4.

Рисунок 4 – Графическое отображение смоделированного сигнала

Данная модель была проверена на адекватность при помощи коэффициента ранговой корреляции Спирмена, результат свидетельствует об умеренной тесноте связи между смоделированным и реальным сигналами (коэффициент равен 0,6). Использование предложенного виртуального прибора позволит моделировать ЭМГ сигнал для управления бионическим протезом людям с врожденными патологиями опорно-двигательной системы.

Список литературы

1 Математическое моделирование динамики движения верхних конечностей [Электронный ресурс]. — Электрон, текстовые дан. URL: https://cyberleninka.ru/article/n/modelirovanie-protsessov-formirovaniya-elektromiograficheskih-signalov (дата обращения 29.12.2019)

2 Моделирование электромиографического сигнала средствами LabVIEW [Электронный ресурс]. — Электрон, текстовые дан. URL: https://cyberleninka.ru/article/n/modelirovanie-elektromiograficheskogo-signala-sredstvami-labview (дата обращения 30.12.2019)

3 Рангайян Р.М. Анализ биомедицинских сигналов. Практический подход: пер. с англ. / под ред.А.П. Немирко. – М., 2007.

4 Agarwal G.C. and Gottlieb G.L. An analysis of the electromyogram by Fourier simulation and experimental techniques // IEEE Trans. Biomed. Eng. – 1975. – V. 22, No. 3.

Код для цитирования: Скопировать