Огляд досліджень в напрямку міоелектричного методу керування біонічним протезом
DOI:
https://doi.org/10.31649/1681-7893-2023-46-2-142-149Ключові слова:
міоелектричне керування, визначення намірів, стратегія управління, руки протези з розширеною функціональністю, зменшення навантаження на користувачаАнотація
Міоелектричне керування біонічними протезами є важливою галуззю досліджень у сфері реабілітації. Інтуїтивне та інтелектуальне міоелектричне керування може відновити функцію верхньої кінцівки. Однак багато досліджень зараз фокусуються на розвиток різноманітних міоелектричних та біотехнічних методів управління, обмежуючи дослідження складних щоденних завдань маніпулювання протезом, таких як захоплення та відпускання. У статті розглядаються найновіші досягнення у напрямі дослідження управління біонічним протезом. Зокрема, увага приділяється методам визначення намірів руху, класифікації дискретних рухів, оцінки неперервних рухів, однонаканальне управління, управління зворотнім зв'язком та комбіноване управління. Моторні нейрони групують вхідні сигнали від центральної нервової системи, які впливають на м'язи та формуючи моторні одиниці. Сигнал електроміографії коливається в межах ±5000 мкВ з частотою від 6 до 500 Гц, відображає характеристики м'язового скорочення. Залежно від розташування датчиків, сигнали ЕМГ поділяються на внутрішньом'язову та поверхневу електроміографію. Внутрішньом'язова електроміографія надає точне вивчення активації м'язів, але вимагає імплантації датчиків, що може призводити до фізичних проблем. ЕМГ, який знімає сигнал з поверхні шкіри, простіший у використанні і широко використовується в міоелектричних протезів.
Посилання
Bi, L.; Guan, C. A review on EMG-based motor intention prediction of continuous human upper limb motion for human-robot collaboration. Biomed. Signal Process. Control 2019, 51, 113–127. [CrossRef]
Xiong, D.; Zhang, D.; Zhao, X.; Zhao, Y. Deep learning for EMG-based human-machine interaction: A review. IEEE/CAA J. Autom. Sin. 2021, 8, 512–533. [CrossRef]
Mohebbian, M.R.; Nosouhi, M.; Fazilati, F.; Esfahani, Z.N.; Amiri, G.; Malekifar, N.; Yusefi, F.; Rastegari, M.; Marateb, H.R. A Comprehensive Review of Myoelectric Prosthesis Control. arXiv 2021, arXiv:2112.13192.
Ghaderi, P.; Nosouhi, M.; Jordanic, M.; Marateb, H.R.; Mañanas, M.A.; Farina, D. Kernel density estimation of electromyographic signals and ensemble learning for highly accurate classification of a large set of hand/wrist motions. Front. Neurosci. 2022, 16, 796711. [CrossRef]
Pizzolato, S.; Tagliapietra, L.; Cognolato, M.; Reggiani, M.; Müller, H.; Atzori, M. Comparison of six electromyography acquisition setups on hand movement classification tasks. PloS ONE 2017, 12, e0186132. [CrossRef]
Sri-Iesaranusorn, P.; Chaiyaroj, A.; Buekban, C.; Dumnin, S.; Pongthornseri, R.; Thanawattano, C.; Surangsrirat, D. Classification of 41 hand and wrist movements via surface electromyogram using deep neural network. Front. Bioeng. Biotechnol. 2021, 9, 548357. [CrossRef]
Zhai, X.; Jelfs, B.; Chan, R.H.; Tin, C. Self-recalibrating surface EMG pattern recognition for neuroprosthesis control based on convolutional neural network. Front. Neurosci. 2017, 11, 379. [CrossRef] [PubMed]
Kapelner, T.; Vujaklija, I.; Jiang, N.; Negro, F.; Aszmann, O.C.; Principe, J.; Farina, D. Predicting wrist kinematics from motor unit discharge timings for the control of active prostheses. J. Neuroeng. Rehabil. 2019, 16, 47. [CrossRef]
Dai, C.; Hu, X. Finger joint angle estimation based on motoneuron discharge activities. IEEE J. Biomed. Health Inform. 2019, 24, 760–767. [CrossRef]
He, Z.; Qin, Z.; Koike, Y. Continuous estimation of finger and wrist joint angles using a muscle synergy based musculoskeletal model. Appl. Sci. 2022, 12, 3772. [CrossRef]
Zhang, Q.; Pi, T.; Liu, R.; Xiong, C. Simultaneous and proportional estimation of multijoint kinematics from EMG signals for myocontrol of robotic hands. IEEE/ASME Trans. Mech. 2020, 25, 1953–1960. [CrossRef]
Yang, W.; Yang, D.; Liu, Y.; Liu, H. Decoding simultaneous multi-DOF wrist movements from raw EMG signals using a convolutional neural network. IEEE Trans. Hum. Mach. Syst. 2019, 49, 411–420. [CrossRef]
Hahne, J.M.; Schweisfurth, M.A.; Koppe, M.; Farina, D. Simultaneous control of multiple functions of bionic hand prostheses: Performance and robustness in end users. Sci. Robot. 2018, 3, eaat3630. [CrossRef]
Di Domenico, D.; Marinelli, A.; Boccardo, N.; Semprini, M.; Lombardi, L.; Canepa, M.; Stedman, S.; Bellingegni, A.D.; Chiappalone, M.; Gruppioni, E.; et al. Hannes prosthesis control based on regression machine learning algorithms. In Proceedings of the 2021 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), Prague, Czech Republic, 27 September–1 October 2021; pp. 5997–6002.
Piazza, C.; Rossi, M.; Catalano, M.G.; Bicchi, A.; Hargrove, L.J. Evaluation of a simultaneous myoelectric control strategy for a multi-DoF transradial prosthesis. IEEE Trans. Neural Syst. Rehabil. Eng. 2020, 28, 2286–2295. [CrossRef]
Lukyanenko, P.; Dewald, H.A.; Lambrecht, J.; Kirsch, R.F.; Tyler, D.J.; Williams, M.R. Stable, simultaneous and proportional 4-DoF prosthetic hand control via synergy-inspired linear interpolation: A case series. J. Neuroeng. Rehabil. 2021, 18, 50 . [CrossRef] [PubMed]
Xu, H.; Chai, G.; Zhang, N.; Gu, G. Restoring finger-specific tactile sensations with a sensory soft neuroprosthetic hand through electrotactile stimulation. Soft Sci. 2022, 2, 19. [CrossRef]
Shehata, A.W.; Scheme, E.J.; Sensinger, J.W. Audible feedback improves internal model strength and performance of myoelectric prosthesis control. Sci. Rep. 2018, 8, 8541. [CrossRef]
Li, K.; Zhou, Y.; Zhou, D.; Zeng, J.; Fang, Y.; Yang, J.; Liu, H. Electrotactile Feedback-Based Muscle Fatigue Alleviation for Hand Manipulation. Int. J. Humanoid Robot. 2021, 18, 2050024. [CrossRef]
Cha, H.; An, S.; Choi, S.; Yang, S.; Park, S.; Park, S. Study on Intention Recognition and Sensory Feedback: Control of Robotic Prosthetic Hand Through EMG Classification and Proprioceptive Feedback Using Rule-based Haptic Device. IEEE Trans. Haptics 2022, 15, 560–571. [CrossRef]
Mouchoux, J.; Carisi, S.; Dosen, S.; Farina, D.; Schilling, A.F.; Markovic, M. Artificial perception and semiautonomous control in myoelectric hand prostheses increases performance and decreases effort. IEEE Trans. Robot. 2021, 37, 1298–1312. [CrossRef]
Castro, M.N.; Dosen, S. Continuous Semi-autonomous Prosthesis Control Using a Depth Sensor on the Hand. Front. Neurorobot. 2022, 16, 814973. [CrossRef]
Starke, J.; Weiner, P.; Crell, M.; Asfour, T. Semi-autonomous control of prosthetic hands based on multimodal sensing, human grasp demonstration and user intention. Robot. Auton. Syst. 2022, 154, 104123. [CrossRef]
Vasile, F.; Maiettini, E.; Pasquale, G.; Florio, A.; Boccardo, N.; Natale, L. Grasp Pre-shape Selection by Synthetic Training: Eye-in-hand Shared Control on the Hannes Prosthesis. In Proceedings of the 2022 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), Kyoto, Japan, 23–27 October 2022; pp. 13112–13119.
Cipriani, C.; Zaccone, F.; Micera, S.; Carrozza, M.C. On the shared control of an EMG-controlled prosthetic hand: Analysis of user–prosthesis interaction. IEEE Trans. Robot. 2008, 24, 170–184. [CrossRef]
Zhuang, K.Z.; Sommer, N.; Mendez, V.; Aryan, S.; Formento, E.; D’Anna, E.; Artoni, F.; Petrini, F.; Granata, G.; Cannaviello, G.; et al. Shared human–robot proportional control of a dexterous myoelectric prosthesis. Nat. Mach. Intell. 2019, 1, 400–411. [CrossRef]
Seppich, N.; Tacca, N.; Chao, K.Y.; Akim, M.; Hidalgo-Carvajal, D.; Pozo Fortuni´c, E.; Tödtheide, A.; Kühn, J.; Haddadin, S. CyberLimb: A novel robotic prosthesis concept with shared and intuitive control. J. Neuroeng. Rehabil. 2022, 19, 41. [CrossRef]
Mouchoux, J.; Bravo-Cabrera, M.A.; Dosen, S.; Schilling, A.F.; Markovic, M. Impact of shared control modalities on performance and usability of semi-autonomous prostheses. Front. Neurorobot. 2021, 15, 172. [CrossRef] [PubMed]
##submission.downloads##
-
PDF
Завантажень: 127
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
