Задачи реиннервации и обработки ЭМГ-сигнала в разработке биоэлектрического протеза

Размещено на http://www.allbest.ru/

МГТУ им. Н.Э. Баумана

Задачи реиннервации и обработки ЭМГ-сигнала в разработке биоэлектрического протеза

Арбиева М.В.

На сегодняшний день во всем мире стоит проблема реабилитации и восстановления пациентов, переживших ампутацию верхней конечности различного уровня. Причинами являются производственные, транспортные и бытовые травмы, огнестрельные ранения, ожоги, онкологические заболевания и др. На рис. 1 представлена статистика по причине ампутации верхней конечности [1].

Протезирование является единственным решением проблемы возвращения пострадавших пациентов к самостоятельной жизни. На сегодняшний день существует большое разнообразие протезов, основанных на разных методах, использующихся для приведения изделия в действие: рабочие, тяговые и биоэлектрические протезы.

Рисунок 1. Статистика по причине ампутации

Традиционно считается, что сохранение максимально большего сегмента конечности является одним из важнейших принципов выполнения ампутаций. Поэтому двусторонняя или односторонняя ампутация могут проводиться на разных уровнях поврежденной конечности [2].

Так как после ампутации культя руки сохраняет остатки имевшихся ранее мышц, то при их сокращении образуется электрический импульс, который воспринимается специально предусмотренными электродами. Чтобы позволить пациенту приводить протез в действие интуитивно, проводится хирургическое вмешательство - реиннервация мышц (Targeted Muscle Reinnervation-TMR). Во время операции остаточные нервы, которые ранее были подведены к руке, изолируются от окружающей ткани и отделяются. Мышцы или головки мышц, пригодных для реиннервации, иннервируются нервной ветвью. Во-первых, мышцы отделяются от их первоначальной иннервации. Так, нерв, изначально входящий в мышцу, разрывают вблизи точки, где он входит и подключается к выбранному концу нерва, который ранее принадлежал здоровой ампутированной руке. Теперь отдельные мышц или головки мышц изолированы друг от друга так, что соответствующие мышцы могут проводить сигналы отдельно. Нервные волокна становятся иннервированы в мышцы-мишени. Далее нервы должны интегрироваться в новые мышцы. Так как нерв растет только около одного миллиметра в день, это занимает определенное количество времени (до 12 месяцев) до того, как нерв достигает мышечного сегмента и появляются начальные признаки успешного проведения операции. Затем определяются оптимальные позиции электродов.

TMR - один из основных методов реабилитации после ампутации конечности. С помощью него можно управлять протезом используя до шести различных функций используя мысли о естественных движениях. Например, просто думая о закрытии руки или ротации в локтевом суставе, пациент приводит в движение соответствующую мышцу. Таким образом, несколько протезных движений могут быть выполнены одновременно, быстро, интуитивно [4].

У данного метода присутствуют как преимущества, так и недостатки. Некоторые из них рассмотрим ниже.

Преимущества:

дает возможность выполнять движения быстрее;

возможно одновременное движение нескольких суставов;

требуется меньшее количество электродов;

чтобы управлять протезом пользователь может использовать до 6 мыслей;

управление протезом проще и понятнее;

движение осуществляется более естественным образом;

данная операция может привести в дальнейшем к снижению фантомной боли; Недостатки:

процесс реиннервации может длиться до двух лет, во многом зависит от мотивации и физической активности пользователя;

пациент прилагает большие усилия для того, чтобы обучиться новому шаблону управления;

пользователь постоянно сконцентрирован на управлении протезом;

высокая степень функциональности протеза в верхней конечности всегда происходит за счет симметрии на здоровой стороне, что говорит о том, что очень важно правильно сделать все измерения, определить оптимальное расположение электрода, чтобы пользоваться функциями протеза затрачивая как можно меньше усилий [6];

протез не может заменить «ощущения» здоровой руки, поэтому пользователю рекомендуется контролировать функции руки визуально, что делает его менее внимательным в окружающей его обстановке.

Одной из проблем, с которыми сталкивается каждый человек, пострадавший от ампутации по той или иной причине, впоследствии пользующийся протезом, является тяжесть изделия [3]. Чтобы привести жизнь пациента к максимально комфортной, мы пытаемся минимизировать все неудобства. Но как можно уменьшить вес изделия?

В современной технике используются шесть основных типов аккумуляторов, отличающихся по своему химическому составу: никель-кадмиевые (NiCd), никельметаллогидридные (NiMH), литий-ионные (Li-ion), литий-полимерные (Li-polymer), герметичные свинцово-кислотные (SLA), алкалиновые аккумуляторы.

Каждому из них свойственны свои плюсы и минусы, которые делают аккумулятор оптимальным для одних применений и совершенно неприемлемым для других. Изучив характеристики каждого из типов и подобрав оптимальный вариант для решения поставленной задачи, стало возможным уменьшить вес протеза за счет выбора аккумулятора с наименьшим весом. Таким аккумулятором является литий-полимерный аккумулятор, который имеет ряд достоинств: очень тонкие ячейки (толщина аккумулятора может быть менее 1 мм.), пластичностьможно придать любую форму, удобную производителю, безопасность-они устойчивы к перезаряду, а также имеют малый вес. Одним из аккумуляторов такого типа является аккумулятор FlexCell.

Исследуя анатомические особенности человека разной возрастной категории и рода, я пришла к выводу, что за счет пластичности выбранного аккумулятора, их не только можно расположить удобным для нас способом (основную часть ближе к предплечью, чтобы облегчить нагрузку), но и для каждого пациента подобрать такое количество источников питания, которое возможно будет расположить в протезе, не утяжеляя его, в зависимости от анатомического строения и прочих параметров.

Как уже говорилось ранее, работа протеза основана на считывании электромиографического сигнала с действующей мышцы пациента. Следом за регистрацией сигнала следует его обработка, чтобы выделить полезную составляющую исключив все шумы и тем самым наладить корректную работу изделия. Рассмотрим некоторые из способов обработки сигнала, зарегистрированного с биообъекта опытным путем [5],[9]. В ходе эксперимента был получен сигнал ЭМГ (рис. 2) - он и использовался для дальнейшей обработки.

Рисунок 2. Зарегистрированный ЭМГ сигнал (по х-напряжение, мВ, по y-время, с)

Далее были смоделированы несколько методов и по каждому получены результаты обработки ЭМГ сигнала. Для каждого метода построены графики, по которым можно определить осуществляется ли в данный момент времени движение или биообъект находится в покое. На графиках значению «1» соответствует движение, а значению «0» - покой.

Ниже представлены графики наиболее эффективных методов. Выбор осуществляется не только визуальным путем, также дополнительно рассчитан процент ошибки [7]. Следующие три метода содержат наименьшее число процентов ошибки при выполнении, но это также и визуально видно при сравнении методов.

Всего во время эксперимента было выполнено 14 движений- 7 на схват кисти и 7 на раскрытие кисти, что можно увидеть на графиках, представленных ниже. В результате выполнения эти методы показали наилучшие результаты, на графиках отчетливо видно каждое из движений, его начало и конец.

- амплитуда огибающей (WL)

Рисунок 3. Определение движения путем использования метода нахождения амплитуды огибающей (“0”-покой,”1”-движение)

- среднее значение амплитуды (AAC) [5]

Рисунок 4. Определение движения путем использования метода нахождения средней амплитуды (“1”-движение, “0”-покой)

- среднее квадратичное отклонение (SKO) [8]

Рисунок 5. Определение движения путем использования метода нахождения СКО

Проведенные исследования позволяют сделать вывод о том, что протез должен выполнять свои функции не только эффективно, но и должен быть удобен в использовании-это одно из условий, про которое нельзя забывать при изготовлении изделий такого рода. Так как наши исследования относятся непосредственно к биоэлектрическим протезам, необходимым было исследовать сигнал, регистрируемый с биообъекта, предварительно перенесшего хирургическое вмешательство-реиннервацию. Подводя итоги проведенного анализа электромиографического сигнала и рассмотрев несколько способов обработки, было решено оставить три метода, чтобы в дальнейшем исследовать на сигналах, сформировавшихся при движениях другого вида.

Список литературы

протез конечность пациент реиннервация

1. МСЭ и инвалидность при ампутациях конечностей: [Электронный ресурс] / (http://www.invalidnost.com/publ/mediko_socialnaja_ehkspertiza_pri_nekotorykh_zabolevanijakh/mseh _i_invalidnost_pri_amputacijakh_konechnostej/2-1-0-460).

2. Иоскевич Н.Н. и Чмель В.Н. Журнал Гродненского государственного медицинского университета Выпуск № 1 (21) / 2008:[Электронный ресурс] / (http://cyberleninka.ru/article/n/medikosotsialnye-problemy-amputatsiy-nizhnih-konechnostey-u-bolnyh-obliteriruyuschim-aterosklerozomarteriy-podvzdoshno-bedrenno).

3. В.А. Соколов Множественные и сочетаемые травмы:[Электронный ресурс]/ (http://medbe.ru/materials/politravma/travmaticheskie-otryvy-amputatsii-konechnostey/).

4. TouchBionics:[Электронный ресурс]/ (http://www.touchbionics.ru/media/local-media/forspecialists/prosthetics/646d878_c-leg4_for_technicians.pdf).

5. Oskoei, M.A., & Hu, H. Support vector machine-based classification scheme for myoelectric control applied to upper limb. IEEE Transactions on Biomedical Engineering, 2008; 55(8): 1956-1965.

6. Phinyomark, A., Phukpattaranont, P., & Limsakul, C. Investigating longterm effects of feature extraction methods for continuous EMG pattern classification. Fluctuation and Noise Letters, 2012; 11(4):1250028.

7. Phinyomark, A., Phukpattaranont, P., & Limsakul, C. Feature reduction and selection for EMG signal classification. Expert Systems with Applications, 2012; 39(8): 7420-7431.

8. Tkach, D., Huang, H., & Kuiken, T.A. Study of stability of time-domain features for electromyographic pattern recognition. Journal of Neuro Engineering and Rehabilitation, 2010; 7(21).

9. Yang, D., Zhao, J., Jiang, L., & Liu, H. Dynamic hand motion recognition based on transient and steady-state EMG signals. International Journal of Humanoid Robotics, 2012; 9(1): 1250007.

Размещено на Allbest.ru