Войти в мой кабинет
Регистрация
ГОТОВЫЕ РАБОТЫ / ДИПЛОМНАЯ РАБОТА, БИОТЕХНОЛОГИЯ

Обработка биопотенциалов человека для решения задачи управления техническим устройством

superrrya 1450 руб. КУПИТЬ ЭТУ РАБОТУ
Страниц: 58 Заказ написания работы может стоить дешевле
Оригинальность: неизвестно После покупки вы можете повысить уникальность этой работы до 80-100% с помощью сервиса
Размещено: 25.10.2021
Главной задачей дипломной работы является разработка алгоритма для а обработки биоэлектрических потенциалов, полученных при регистрации электрической активности мышц руки для управления техническим устройством. Под техническим устройством будем понимать манипулятор, управляемый при помощи двигателя или системы двигателей в сочетании с энкодером, управление которым происходит при помощи импульсного сигнала управления, формируемого в процессе регистрации электромиографических сигналов. Таким устройством, например, может быть протез кисти руки.
Введение

Что на сегодняшний день разработка человеко-машинных интерфейсов является актуальной задачей. Одна из наиболее востребованных задач - управление техническим устройством посредством регистрируемых электромиограмм. К таким устройствам можно отнести протезы, экзоскелеты и другие манипуляторы. Экзоскелетов и протезов сегодня является одной из самых динамично развивающихся в робототехнике. По всему миру активно разрабатываются, испытываются, совершенствуются и выходят на рынок самые разнообразные устройства, призванные помогать, облегчать, брать на себя повышенные нагрузки или утраченные человеком функции. Под электромиографией (ЭМГ) традиционно подразумевается совокупность электрических сигналов от мышц, которые контролируются нервной системой и производятся во время мышечных сокращений. Поверхностные и внутримышечные ЭМГ-сигналы регистрируются поверхностными или игольчатыми электродами и отражают информацию о движениях суставов. Отмечается, что ЭМГ-сигналы имеют специфическую структуру, характерную для различных типов движения суставов. Сигналы ЭМГ зависят от внутренней структуры испытуемых, в том числе индивидуальных особенностей кожи, скорости кровотока, изменений температуры кожи, структуры кожной ткани и других факторов; ЭМГ-сигналы получают с датчиков (поверхностных или игольчатых электродов), при этом в сигнале обычно присутствуют различные типы шумов, что обусловливает необходимость предварительной обработки (фильтрации).
Содержание

АННОТАЦИЯ……………………………………………………………………5 ВВЕДЕНИЕ………………………………………………………………………6 1. Электромиография……………………………………………………………7 1.2. Значение ЭМГ……………………………………………………………….8 1.3. Разработка структурной схемы для регистрации электромиограммы......9 2. Аппаратная реализация электромиографа на основе модулей ARDUINO.19 2.1. Описание методики наложения элетродной пары (несколько точек установки……………………………………………………………………..…24 2.2. Исследование каналов управления кистью человека по электромиографическим данным…..................................................................26 2.3. Анализ электромиографических данных………………………………...42 2.4. Разработка алгоритма управления техническим устройством……...….46 3. Усилитель биопотенциалов…………………………………………………48 Заключение…………………………….……………….…….…………….…...54 Список литературы…...………………………………………….……………..55
Список литературы

1. He L., Pierre A.M. Degree-wise control of an humanoid manipulator based on biceps brachii muscle activity // IEEE EMBS International Student Conference. Ottawa, Canada, 2016. P. 1–4. doi: 10.1109/EMBSISC.2016.7508612 2. Yang J. et al. Hybrid EEG-EOG system for intelligent prosthesis control based on common spatial pattern algorithm // IEEE Int. Conf. on Information and Automation. Ningbo, China, 2016. P. 1261–1266. doi: 10.1109/ICInfA.2016.7832013 3. Ortega-Palacios R. et al. Low-cost upper limb prosthesis, based on opensource projects with voice-myoelectric hybrid control // Proc. GMEPE/PAHCE. Porto, Portugal, 2018. doi: 10.1109/GMEPE-PAHCE.2018.8400727 4. Киракозов Л.Р., Монахова М.И. Исследование рынка высокофункциональных электромеханических кистей для протезов верхних конечностей с биоэлектрическим управлением // Вестник всероссийской гильдии протезистов-ортопедов. 2014. № 4 (58). С. 23–26. 5. Буров Г.Н., Большаков В.А., Большакова М.А. Принципы создания современных реабилитационных устройств в протезировании верхних конечностей // Вестник всероссийской гильдии протезистов-ортопедов. 2017. № 1 (63). С. 9–13. 6. Большаков В.А., Буров Г.Н. К вопросу формирования системы управления протезом при ампутационных дефектах в пределах предплечья // Вестник всероссийской гильдии протезистов-ортопедов. 2014. № 4 (58). 7. Mablekos-Alexiou A. et al. A biomechatronic extended physiological proprioception (EPP) controller for upper-limb prostheses // Proc. IEEE/RSJ Int. Conf. on Intelligent Robots and Systems. Hamburg, Germany, 2015. P. 6173–6178. doi: 10.1109/IROS.2015.7354257 8. Dosen S. et al. EMG biofeedback for online predictive control of grasping force in a myoelectric prosthesis // Journal of Neuro Engineering and Rehabilitation. 2015. V. 12. N 1. doi: 10.1186/s12984-015-0047-z 9. Controzzi M. et al. The SSSA-MyHand: a dexterous lightweight myoelectric hand prosthesis // IEEE Transactions on Neural Systems and Rehabilitation Engineering. 2017. V. 25. N 5. P. 459–468. doi: 10.1109/TNSRE.2016.2578980 10. Буров Г.Н., Большаков В.А. Система управления биоэлектрическим протезом. Патент РФ №2653820. Бюл. 2018. № 14. 11. Ortenzi V. et al. Ultrasound imaging for hand prosthesis control: a comparative study of features and classification methods // Proc. 2015 IEEE Int. Conf. on Rehabilitation Robotics. Singapore, 2015. doi: 10.1109/icorr.2015.7281166 12. Castellini C. et al. Using ultrasound images of the forearm to predict finger positions // IEEE Transactions on Neural Systems and Rehabilitation Engineering. 2012. V. 20. N 6. P. 788–797. doi: 10.1109/TNSRE.2012.2207916 13. Pan L. et al. Myoelectric control based on a generic musculoskeletal model: toward a multi-user neural-machine interface // IEEE Transactions on Neural Systems and Rehabilitation Engineering. 2018. V. 26. N 7. P. 1435–1442. doi: 10.1109/TNSRE.2018.2838448 14. Winters J.M. Hill-based muscle models: a systems engineering perspective / In: Multiple Muscle Systems. Eds. J.M. Winters, S.LY. Woo. Springer, 1990. doi: 10.1007/978-1-4613-9030-5_5 15. Merad M. et al. Intuitive prosthetic control using upper limb inter-joint coordinations and IMU-based shoulder angles measurement: a pilot study // IEEE/RSJ Int. Conf. on Intelligent Robots and Systems. 2016. P. 5677–5682. doi: 10.1109/IROS.2016.7759835 16. Kim J.H. et al. Three-dimensional upper limb movement decoding from EEG signals // International Winter Workshop on Brain-Computer Interface. Gangwo, South Korea, 2013. P. 109–111. doi: 10.1109/IWW-BCI.2013.6506648 17. Cheesborough J. et al. Targeted muscle reinnervation and advanced prosthetic arms // Seminars in Plastic Surgery. 2015. V. 29. N 1. P. 62–72. doi: 10.1055/s-0035-1544166 18. Tkach Dennis C. et al. Real-time and offline performance of pattern recognition myoelectric control using a generic electrode grid with targeted muscle reinnervation patients // IEEE Transactions on Neural Systems and Rehabilitation Engineering. 2014. V. 22. N 4. P. 727–734. doi: 10.1109/TNSRE.2014.2302799 19. Lauretti C. et al. Fusion of M-IMU and EMG signals for the control of trans-humeral prostheses // Proc. 6th IEEE Int. Conf. on Biomedical Robotics and Biomechatronics. Singapore, 2016. P. 1123–1128. doi: 10.1109/BIOROB.2016.7523782 20. Baker C.A. et al. Real-time, ultrasound-based control of a virtual hand by a trans-radial amputee // Proc. 38th Annual Int. Conf. of the IEEE Engineering in Medicine and Biology Society. Orlando, USA, 2016. P. 3219–3222. doi: 10.1109/EMBC.2016.7591414 21. Guo W. et al. Toward an enhanced human–machine interface for upper-limb prosthesis control with combined EMG and NIRS signals // IEEE Transactions on Human-Machine Systems. 2017. V. 47. N 4. P. 564–575. doi: 10.1109/THMS.2016.2641389 22. Wilson S., Ravi V. Upper-limb prosthetic control using wearable multichannel mechanomyography // Proc. Int. Conf. on Rehabilitation Robotics. London, 2017. P. 1293–1298. doi: 10.1109/ICORR.2017.8009427 23. Beritov I.S. Obshchaya fiziologiya myshechnoy i nervnoy sistemy [General physiology of muscle and nervous system]. 3rd ed. Vol. 1. Moscow, 1959. 24. Efremenko O.A. Potentsiometricheskiy analiz [Potentiometric analysis]. Moscow: MMA im. I.M. Sechenova, 1998. 25. Okubo A., Kiyama T., Osuka K., Shirogauchi G., Oya R., Fujimoto H. A dynamic model of power-assistive machinery with high strength-amplification, Proceedings of SICE Annual Conference 2010. August 18-21, 2010. The Grand Hotel, Taipei, Taiwan, pp. 2026-2029. Print ISBN 978-1-4244-7642-8. 26. Kazerooni H. The human power amplifier technology at the University of California Berkeley, J. Robot. Auton. Syst., 1996, No. 19, pp. 179-187. 27. Vukobratovic M., Borovac B., Surla D., Stokic D. Scientific Fundamentals of Robotics, Biped Locomotion: Dynamics, Stability, Control and Application, Springer-Verlag, 1989, Vol. 7. 28. Rosen J., Arcan M. Performances of hill-type and neural network muscle models: Towards a myosignal based exoskeleton, Comput Biomed Res., 1999, Vol. 32, pp. 415-439. 29. Hill A.V. First and last experiments in muscle mechanics. Cambridge Univ. Press, Cambridge, 1970. 30. Kirsh R.F. EMG-based motion intention detection for control of a shoulder neuroprosthesis, IEEE International Conference of the Engineering in Medicine and Biology Society, 1997, Vol. 5, pp. 1944-1945. 31. Mathiassen S.E, Winkel J, Hagg G.M. Normalization of surface EMG amplitude from the upper trapezius muscle in ergonomic studies – a review, J Electromyography Kinesiol 5, 1995, pp. 197-226. 32. Gradetskiy V.G., Ermolov I.L., Knyaz'kov M.M., Semenov E.A., Sukhanov A.N. Primenenie razgruzochnykh elementov v konstruktsii robota-ekzoskeleta [The use of unloading elements in the design of the robot-exoskeleton], Mekhatronika, avtomatizatsiya, upravlenie [Mechatronics, Automation, Control], 2012, No. 11, pp. 20-23. ISSN 1684-6427. 33. Jaramillo Andres G., Benalcazar Marco E.. Real-time hand gesture recognition with EMG using machine learning. IEEE Second Ecuador Technical Chapters Meeting, 2017. 34. Jonghwa Kim, Stephan Mastnik, Elisabeth Andre. EMG-based Hand Gesture Recognition for Realtime Biosignal Interfacing. 13th international conference on Intelligent user interfaces, 2008. 30-39. 35. Алексеева В.А. Использование методов машинного обучения в задачах бинарной классификации. Автоматизация процессов управления, 2015. 58-63. 36. Гурфинкель В.С. Биоэлектрическое управление: монография / В.С. Гурфинкель, В.Б. Малкин, М.Л. Цетлин, А.Е. Шнейдер. – М. : Наука, 1972. - 245 с. 37. Кобринский А.Е. Биоэлектрические системы управления / А.Е. Кобринский // Ноябрьский журнал "Радио". - №11. – С. 37-39. 38. Коновалова А.Н. Неврология и нейрохирургия: учебник: т. 1. / А.Н. Коновалова, А.В. Козлова, Е.И. Гусев, В.И. Скворцова. - М. : ГЭОТАР-Медиа, 2009. – 624 с. 39. Королева Е.А. Формирование системы косвенного очувствления схвата в протезе предплечья с биоэлектрическим управлением [Текст]: выпускная работа бакалавра(03.01.02)/ Королева Елена Александровна; ФГБУ ФНЦРИ им. Г.А. Альбрехта. – СПб., 2016. – 34 с. 40. Шайдук, А. М. Анализ спектра квазипериодических импульсов электромиограммы / А. М. Шай- дук, С. А. Останин // Журнал радиоэлектроники. — 2011. — № 8. — С. 1–12. 41. Чернышев, Ю. О. Разработка алгоритма интеллектуальной поддержки улучшения промежу-точных решений оптимизационных задач / Ю. О. Чернышев, Н. Н Венцов, С. А. Мухтаров // ВестникДон. гос. техн. ун-та. — 2012. — № 5.— С. 68–76.
Отрывок из работы

1. Электромиография Биопотенциалы с поверхностных мышц обычно снимаются с помощью накожных электродов. Эти электроды используются для регистрации поверхностной ЭМГ, характеризующей уровень общей активности и тонуса отдельных мышц или групп мышц как в состоянии покоя, так и при различных видах мышечных напряжений. Когда требуется получить сигналы большей величины или исследуют движения группа мышечных волокон, иннервированных одним мот нейроном, применяют вкалываемые в биоткань игольчатые электроды. (рис.1). Рис.1.Идеализированный ПДЕ (а) и примеры реальных ПДЕ(б) В зависимости от силы мышечных сокращений ПДЕ следуют с частотой 5…60 Гц. Основным параметрами ПДЕ, оцениваемыми при диагностике, являются: длительность t, величина А, количество положительных и отрицательных пиков колебаний. Набольшую значимость имеет величина ПДЕ. 1.2. Значение ЭМГ Электромиограмма содержит информацию не только о состоянии отдельной мышцы, но также и о центральной нервной системе, управляющей мышцами – спинном и головном мозге. Это обусловлено тем, что мозг управляет двигательными функциями, посылая сигналы мышцам. ЭМГ применяют в физиологии с целью изучения двигательной функции человека и животных, исследования утомления и для решения множества других задач. При электродинамическом исследовании движений обычно используют накожные электроды, которые укрепляют над исследуемой мышцей. С помощью многоканального электромиографа можно записывать электромиограммы нескольких мышц одновременно. В психологических исследованиях регистрируются потенциалы действия мимической мускулатуры. Путем анализа потенциалов нижней губы изучается специфика речи. Речевые электромиограммы, представляющие собой запись потенциалов действия речевых мышц, показали, что механизм “внутренней” речи построен на принципе обратной связи. Мысль произнести звук приводит к движению речевых органов, а колебания языка, губ, гортани воздействуют на мозг. В электрических показателях отражались также процессы “немой речи”, к примеру, была найдена связь произносимых “про себя” слов с потенциалами мышц голосовых связок. В медицинскую практику все шире внедряются электрофизиологические методы исследования моторной функции гладкомышечных внутренних органов. 1.3. Обзор структурной схемы для регистрации электромиограммы При проектировании усилителей для регистрации ЭМГ используются 2 вида систем: 1) пассивная регистрация ЭМГ 2)регистрация вызванных потенциалов, которая использует стимуляцию нервных волокон. Комплекс для регистрации электромиографического сигнала включает в себя аппаратную часть, предназначенную для регистрации физиологической информации и персональный компьютер (ПК) для обработки сигнала, хранения и отображения данных. Аппаратура содержит первичный преобразователь ЭМГ, регистрируемого с поверхности тела пациента при помощи электродов, устройство для предварительной обработки и преобразования сигнала с целью передачи его в персональный компьютер. рис.2. функциональная схема электронного-компьютерного миографа К современным электронейромиографическим установкам предъявляются требования по точности измерений, высокому коэффициенту усиления и коэффициенту подавления синфазной помехи, низкому уровню шумов, электробезопасности. Принципиальным требованием является необходимость регистрации и обработки сигнала в реальном масштабе времени. Вследствие этого основными условиями к каналу связи с ПК являются: минимальная потеря информации и обеспечение необходимого быстродействия. Анализ схемотехнических решений, используемых в усилителях для регистрации ЭМГ, показывает, что они аналогичны решениям, используемым в усилителях для ЭКГ и ЭЭГ, поэтому здесь усилительная часть миографов не рассматривается. Отличительной особенностью миографов является то, что для количественной оценки мышечной активности исходный сигнал интегрируется аппаратными или программными средствами. Вариант реализации аппаратного интегратора приведен на рис.3. В этой схеме, усиленная УБГ электромиограмма выпрямляется прецизионным выпрямителем (ПВ) на операционных усилителях интегрируется интегратором на ОУ1. Когда интеграл от электромиограммы достигнет некоторого порогового значения, сработает компаратор, выполненный на ОУ2. Рис.3.Структурная схема интегратора ЭМГ Фронтом с коммутатора запускается одновибратор, длительность импульса которого рассчитывается из условия разряжения конденсатора С интегратора через открытые трансформаторы VT1 и VT2 аналогового ключа. Компаратор возвращается в исходное состояние и цикл интегрирования ЭМГ поверяется. Если циклы интегрирования не прерывать, то операционный усилитель достаточно быстро может войти в режим насыщения прекратив операцию интегрирования. На одном цикле интегрирования: Uус=-1/R1C ?_0^tc-Uxц(t)dt Где tц-время от начала цикла; Uxц-выходное напряжение на цикле измерения; Uyc-выходное напряжение на цикле измерения. Полное значение интеграла от момента начала интегрирования можно определить из выражения: Un=n*Uyc+Uyц Где n-число сбросов интегратора; Uуc и Uyц -соответственно напряжение на выходе интегратора к моменту определения полного интеграла. За сравнительно длительный промежуток времени среднюю мышечную активность можно определить по количеству срабатываний одновибраторная (Z). Для этого схема рис.3 дополняется счетчиком числа, Z индикатором состояния счетчика и схемой запуска интегратора, обнуляющей показания счетчика и разряжающей конденсатор интегратора С. В компьютерном варианте исполнения общая структура миографа аналогична компьютерным электрокардиографам и электроэнцефалографам. (рис.4). Рис.4.Обобщенная структурная схема компьютерного миографа Мышечные биопотенциалы снимаются электродной системой (ЭС), усиливаются усилителем биопотенциалов (УБП), преобразуются аналогово-цифровым преобразователем(АЦП) в цифровой код и через плату интерфейсов (ПИ) передаются в ПЭВМ. При многоканальном съеме ЭМГ в схему включается аналоговый мультиплексор, управляемый со стороны ПЭВМ. При необходимости управления параметрами используется схема управления усилителями (СУУ). В состав промышленных электромиографов обычно входит стимуляторная приставка(СП), которая позволяет обследовать мышцу не только в состоянии покоя и произвольного движения, но и определить реакцию на искусственное электрическое раздражение. При подаче на мышцу электрического импульса, величина которого достаточна для возбуждения всего двигательного комплекса, все мышечные волокна сократятся одновременно, формируя биопотенциалы возбужденных волокон. В результате будет зарегистрирована сравнительно четкая их равнодействующая. Длительность ее около 10 мс. Вызванные потенциалы, отводятся с помощью электродов, расположенных на известном расстоянии друг от друга. Зная расстояние между электродами и разницу во времени между сигналами, можно рассчитать скорость распространения возбуждения у отдельных мышц. У здорового человека скорость распространения составляет 40…60 м/c, у больного падает до 10 м.с. Для определения числа функционирующих двигательных единиц (ДЕ)в стимулирующую часть электромиографа включают блоки, позволяющие получить напряжения, плавно меняющиеся во времени. При этом наблюдается ответная реакция, характеризующаяся дискретным увеличении силы тока в двигательный акт, включатся все новые двигательные единицы. В качестве примера реализации автономного портативного нейростимулятора рассмотрим аппарат типа, Нейротест- 01’’ (рис.5.). Рис.5. Структурная схема аппарата, Нейротест- 01’’ Аппарат может в двух режимах: TOF (стимуляция пачкой из четырех импульсов) и DBS (стимуляции двойными пачками). Формирование временных параметров выходных сигналов обеспечивает микропроцессор (МП), который управляет работой всего устройства по командам, поступающим от устройства управления (УУ). Источник питания (ИП) содержит батарею и стабилизатор напряжения. Преобразователь (ПН) формирует напряжение, необходимое для работы выходного каскада (ВК) прибор. В периодическом режиме запуска период следование стимулов составляет 10 с; при этом длительность импульсов стимуляции составляет 200мкс. В режиме TOF частота импульсов в пачке составляет 2Гц. В режиме DBS количества импульсов в пачке –три. Частота следования импульсов в пачке 50Гц. Временной сдвиг пачек составляет 750 мс. Максимальная амплитуда тока стимуляции при активной нагрузке 1 кОм не менее 60 мА. Кроме режимов TOF и DBS, для оценки нейромышечной функции используютрежимы:ST(стимуляцияодиночнымиимпульсами);Т(тетаническая стимуляции); PTC(посттетаническая стимуляция с подсчетом ответов). В режиме ST-стимуляции используют одиночный импульс с амплитудой 50…60 мА и частотой не более 1 Гц. При T-стимуляции воздействие осуществляется импульсами с частотой следования 50…100Гц при длительности воздействия около 5 с. РТС стимуляция представляет собой комбинацию из Т- ST-стимуляции. Анализ технических характеристик ряда отечественных и зарубежных электронных стимуляторов мышц позволил сделать выводы, что в большинстве из них формируются прямоугольные импульсы, частота которых может меняться от 1 Гц до 20 кГц (в некоторых случаях ограничиваются частотой 100 Гц). Длительность электрического импульса от 0,05 до 2 мс. Величина напряжения плавно регулируется от 0 до 100…500 В. Импульсы могут быть одиночными или следовать пачками. Длительность пачка 500…1000мс. Для решения задач определения стойкого нарушения передачи возбуждения от двигательного нерва к мышце, например, во время наркоза, используются системы мониторинга нейромышечной блокады (НМБ), которые могут выполняется как автономные приборы или включаться в состав компьютерных комплексов (через блок СП; см.рис.4.). Вариант структуры автономного монитора НМГ представлен на рис.6. Рис.6. Структурная схема монитор НМБ В этом мониторе для определения реакции мышцы используется специальный датчик вызванного мышечного ответа (ДВО). Однокристальная ЭВМ (ОЭВМ) выполняет функции формирования импульсной последовательность стимулов требуемого режима электронейромиостимуляции (ЭНС) и обработки сигналов ответа по алгоритм, позволяющему индицировать на экране дисплея величину уровня НМБ, выраженную в процентах. Сигнал с датчика ДВО, пропорциональная силе мышечного сокращения, усиливается усилителем (У), фильтруется в ФНЧ и после преобразования в цифровую форму с помощью 8-разрядного АЦП подается на вход ОЭВМ. Алгоритм работы программного обеспечения прибора заключается в следующем. В предварительном режиме калибровки устанавливается SТ-стимуляция с частотой 2 Гц в течение 10 с, за которые путем ручной регулировки, наблюдая на дисплее величину мышечного сокращения, выбирают значение, большее максимальной амплитуды тока, которое запоминается в памяти на время мониторинга. В автоматическом режиме ТOF-стимуляции происходит генерация 4-импульсной последовательности. При анализе ответов сначала определяется число ответов в реакции. Для определения отношения измеряется первый ответ на TOF- стимуляцию в момент времени, соответствующий первому импульсу TOF-стимуляции. Первый ответ считает обнаруженным, если он превышает уровень 8% от возможного максимального значения. Если первый ответ не проходит по данному критерию 3 раза подряд, то принимается решение об отсутствии мышечных ответов и существовании интенсивной НМБ. На дисплей при этом выдается значение ,,99%’’НМБ. Если первый ответ обнаружен, то запоминается его амплитуда и начинается поиск второго ответ, затем третьего и четвертого. В случае обнаружения одного первого ответа на дисплей выдается значение ,,90%’’,первого и второго -,,80%’’, трех ответов -,,75%’’.При обнаружении всех четырех ответов вычисляется TOF-отношение. Если отношение меньше 0,75, то НМБ оценивается на уровне ,,50%’’,если отношение становится больше 0,75 -,,5%’’,что соответствует полному снятию НМБ. В мониторах НМБ измерение силы мышечной реакции на ЭНС осуществляется с помощью миниатюрных акселерометров. Такие датчики выпускаются в виде монолитных интегральных схем, содержащих чувствительный элемент и устройство измерения, позволяющее получить выходной сигнал, пропорциональный величине измеряемого ускорения. В качестве примера можно привести акселерометр ADXL05 фирмы, Analog Devices ’’Чувствительным элементом датчика является балансир, закрепленный на гибкой подвеске, с пластиной, являющейся подвижным элементом дифференциального емкостного преобразователя. Неподвижные пластины преобразователя питаются противофазным прямоугольным напряжением с частотой 1 МГц. Подвижная пластина преобразователя соединена с синхронным детектором, дающим напряжение, пропорциональное величине смещения подвижного элемента при действии на датчик ускорения движения. Коэффициент преобразования датчика составляет 0,2…1,0 В/г. Датчик оказывается способным реагировать на достаточно низкочастотные движения, возникающие при мышечном ответе на ЭНС. Промышленностью выпускается целая серия автономных прибор и компьютерных комплексов для проведения электромиографии. По своей структурной реализации они практически не отличаются от рассмотренных ранее электрокардиографов и электроэнцефалографии. Различие в схемы технике заключается в обеспечении требуемых амплитудно- частотных характеристик и наличии электростимуляторов, управление которыми со стороны ПЭВМ аналогично управлению усилительными блоками компьютерных электрокардиографов и электроэнцефалографии. Примером автономных электромиографии со встроенными элементами микропроцессорной техники служат прибор, Neuropack 2’’ МЕМ 7102 К и,, Sigma MEB-55004 G’’. Электромиографии, Neuropack 2’’ обеспечивать двухканальное измерение: принудительных, непринужденных, и возбужденных ЭМГ; скорости передачи нервного импульса соматосенсорного возбужденного потенциала. Аппаратное прибор сдержит: набор электродов; блок усиления и ввода данных; графический дисплей для отображения ЭМГ и сопутствующей буквенно-цифровой информации; электростимулятор; вычислительное устройства; дисковод для гибких магнитных дисков; низко размерную клавиатуру и встроенное печатающее устройство. Примером 4- канальной системы измерения возбуждения потенциалов является прибор Sigma MEB-55004G’’. Прибор имеет набор электродов, блоки усиления и преобразования, блок электростимуляции, графический дисплей, клавиатуру и собственное программное обеспечение, с помощью которого создаются 30 различных меню, включая меню раздела измерений возбужденных потенциалов и меню сектора ЭМГ. Электромиограф типа МЕВ-9102 выполнен в виде компьютерной приставки к ноутбуку. Базовый модуль подключается к пациенту с помощью сменных электродов через гибкий фиксированный кабель пациента. В состав базового модуля входят: 2- и 4- канальные усилители биопотенциалов; акустический стимулятор; шаблонный стимулятор видеосигнала со светодиодными очками; электрический стимулятор постоянного тока. В электромиографии этого типа предусмотрена программируемая педаль управления. К компьютеру базовый модуль подключается через программу электромиографа, обеспечивает функции редактора миограмм, распечатку активной структуры или отчета по миограмме. Пакеты прикладных программ реализуют: функции авто маркировки ; скрининг слухового порога и сравнение со стандартными значениями; стимуляцию с управлением по ЭКГ для исключения артефактов; переворот и высвечивание шаблона в виде шахматной доски или вертикальных полос; функции усреднения кривых и автоматического измерения пиковых значений ; оценку нейропроводимости ; программируемую последоватьность стимуляции ;определение рефлекса на вспышку ; амплитудный анализ и анализ интерференционного образца; выработку сигналов тревоги при переходе пороговых стимуляции ; определение частоты разрядки и блокировки 4-х каналов с одновременным представлением триггерных и усредненных миограмм; микронейрографическое отведение симпатичких нервов с анализом кожного рефлекса и RR-интервалов; постановку ряда диагнозов по архивным миограммам. Дополнительно могут поставляться программы мониторинга ЭМГ и диагностики ряда заболеваний нервной системы. Таким образом, современные миографы представляют собой достаточно сложные вычислительные системы с развитым программным обеспечением, с одновременной регистрацией не только мио графических, но и других электрофизиологических сигналов. 2. Регистрация и анализ электромиографических сигналов 2.1 Аппаратная реализация электромиографа на основе модулей ARDUINO Модуль ЭКГ AD8232 – это экономичный модуль, используемый для измерения электрической активности сердца. Эта электрическая активность может быть определена как электрокардиограмма (ЭКГ) и выведена как аналоговые показания. ЭКГ могут быть чрезвычайно шумными, и монитор сердечного ритма AD8232 работает как операционный усилитель, чтобы можно было легко получить чистый сигнал для определения интервалов PR и QT. Применение: контроль сердечного ритма при занятиях спортом; портативный аппарат снятия ЭКГ; удаленный мониторинг состояния здоровья; игровое периферийное оборудование; сбор биоэлектрических сигналов. Рис.7. Плата AD8232 модуля снятия ЭКГ (вид сверху и вид снизу) Основные характеристики AD8232: Низкое потребление тока: 170 мкА Напряжение питание: однополярное от 2 до 3,5 В Rail to Rail выходной сигнал Количество электродов: 2 или 3 Количество отведений ЭКГ: 1 Встроенный фильтр ВЧ помех 2-полюсный фильтр высоких частот 3-полюсный фильтр низких частот Коэффициент ослабления синфазного сигнала: 80 дБ Детектор контакта электродов Выходной сигнал: аналоговый Схема Рис.8. Принципиальная схема модуля снятия ЭКГ AD8232 Рис.9. Структурная схема и распиновка микросхемы AD8232 Рис.10. Подключение датчика сердечного ритма AD8232 , кардиограмма на Arduino Рис.11.Модел ЭМГ AD8232 c электродами Три электрода, входящих в комплект, подключаются к модулю через разъем и сами электроды крепятся на теле человека. В данной работе электродов желтый RA и зеленый LA прикреплена к коже над мышцей или группой мышц, с которой будет считываться сигнал. Опорный электрод красный RL прикреплен над зоной, где нет мышц, например, запястье. При использовании проводов из комплекта обязательно стоит прозвонить контакты, чтобы убедиться, что они соответствуют цветам, что не всегда встречается. Круглые электроды, которые входят в комплект являются одноразовыми. После их использование клейкость резко ухудшается, а гель в середине для получения надежного контакта с кожей высыхает. Для улучшения проводимости достаточно смочить гель водой дополнительно использовать специальный гель для надежного контакта электрода с кожей. Самым простым вариантом электрода может быть металлическая пластинка или шайба (монета), смоченная в соленой воде, подключенная к модулю AD8232. Модуль AD8232 имеет детектор подключения электродов – контакты L+ и L- выдают логическую единиц, если электроды не подключены и логический ноль, если подключены. На экране дисплея это отображается символами L+ и L-. Если их цвет зеленый, значит электроды подключены, если красный – отключены. Наличие шума на графике ЭМГ может быть связано с такими нюансами как контакт электродов и их верное расположение на теле, наличие дефектов в проводах электродов и их повреждение. В отличии от оптических датчиков, движения тела при измерении дают намного меньшие искажения графика на экране, но все же дают, так как при движении напряжения других мышц тела, расположенных близко к электроду, также дают некоторые импульсы. Рис.12. Функциональная схема измерения ЭМГ-сигнала и сгибательной силы кисти; где 1 – инструментальный усилитель, 2 – усилитель в цепи обратной связи [Driven right leg], 3 – полосовой аналоговый фильтр, 4 – аналоговоцифровой преобразователь, 5 – микропроцессорное ядро, Э1 и Э2 – активные электроды, Э3 – опорный электрод. 2.1. Описание методики наложения электродной пары (несколько точек установки) Механическому сокращению мышцы предшествует изменение ее электрической активности. рис.13. Сокращение мышцы. 1 — временная разметка; 2 — электромиограмма; 3 — монограмма сокращения мышц. На рисунке видно, что механическое сокращение следует с небольшой задержкой от момента появления электрической активности в мышце. Известно, что механизм возникновения возбуждения подчиняется закону «все, или ничего», то есть сигнал в нервном волокне возникает только припревышении порогового значения раздражения. При этом чем выше уровень раздражения, тем выше частота дискретных импульсов, передаваемых по нервному волокну. В то же время амплитуда импульсов остается постоянной, независимо от уровня возбуждения (порядка 0,1 А). Скорость распространения импульсов по нервной сети не превышает 100 м/сек, а их частота может достигать 300—500 Гц. На рисунке видно, что механическое сокращение следует с небольшой задержкой от момента появления электрической активности в мышце. Известно, что механизм возникновения возбуждения подчиняется закону «все, или ничего», то есть сигнал в нервном волокне возникает только припревышении порогового значения раздражения. При этом чем выше уровень раздражения, тем выше частота дискретных импульсов, передаваемых по нервному волокну. В то же время амплитуда импульсов остается постоянной, независимо от уровня возбуждения (порядка 0,1 А). Скорость распространения импульсов по нервной сети не превышает 100 м/сек, а их частота может достигать 300—500 Гц. Локтевой нерв — смешанный нерв, один из больших нервов верхней конечности, берущий начало из медиального пучка плечевого сплетения. Количество мякотных нервных волокон в Л. н. на уровне средней трети плеча составляет от 1/3 до 1/4 мякотных волокон всех нервов верхней конечности и колеблется у разных людей приблизительно от 13 тыс. до 23 тыс., а на уровне средней трети предплечья от 9 тыс. до 17 тыс. Количество мякотных волокон в Л. н. при всей его большой индивидуальной изменчивости у одного и того же человека обычно сходно в правом и левом нерве. Диаметр волокон колеблется от 1 до 28 мкм. На задневнутренней поверхности плеча над локтевым суставом и локтевым краем передней поверхности предплечья,4-5 см от кисти. Смешенный нерв, сгибание кисти и приведение ее, приведение большого пальца и сгибание в концевых фалангах III, IV, V пальцев. Рис.14. Локтевого нерва Подключение электродов. 1. Испытуемым была принята расслабленная поза (сидя). 2. Освобождена от одежды зона, с которой в последующем производилась регистрация сигнала ЭМГ (предплечье). 3. Обработаны антисептическим средством зоны будущего прикрепления электродов. 4. Осуществлено подключение электродов согласно схеме, представленной на рис.14. Пара электродов Э1 и Э2 прикреплена к коже над мышцей или группой мышц, с которой будет считываться сигнал. Чтобы найти место прикрепления электродов, достаточно несколько раз сжать кисть в кулак и прощупать движение мышц предплечья, после чего приклеить электроды по ходу мышцы таким образом, чтобы между центрами электродов было расстояние 2,5 см. Опорный электрод Э3 прикреплен над зоной, где нет мышц. 5. Испытуемый расслабил мышцы предплечья. Регистрация данных ЭМГ. 6. Осуществлен запуск программы, была начата запись сигнала. На экране компьютера отобразился потенциал мышцы в покое. 7. Испытуемый провел цикл 2-х секундных интервалов «Напрячь мышцу-Расслабить-Пауза» 4 раза с увеличением силы, чтобы максимальная сила пришлась на последнее сжатие. 8. Была произведена регистрация данных ЭМГ. 2.2. Исследование каналов управления кистью человека по электромиографическим данным Для возможности получения большей информации о сокращении мышц при движениях кисти необходимо использовать несколько каналов регистрации ЭМГ. Для регистрации данных с четырех каналов ЭМГ использовалась схема измерения, представленная на рис.15. Для определения методов статистического анализа БД необходимо знать характер, распределения и числовые характеристики всех переменных, входящих в матрицу наблюдений. Наилучшие результаты многомерного статистического анализа данных медико-биологических исследований получают, когда распределения входных контролируемых факторов и выходных параметров нормальное или близкое к нему. Основными задачами статистического описания переменных являются: определение числовых характеристик переменных и оценка их точности и надежности; определение статистических рядов распределения переменных и оценки их соответствия теоретическим законам распределения. оценка зависимости различия показателей в независимых и связанных выборках. По числовым характеристикам (таким, как среднее арифметическое значение, среднее квадратичное отклонение, средняя квадратичная ошибка среднего значения) определяют доверительные интервалы, решают задачи нормирования и оценивают значимость различий показателей в различных условиях.
Не смогли найти подходящую работу?
Вы можете заказать учебную работу от 100 рублей у наших авторов.
Оформите заказ и авторы начнут откликаться уже через 5 мин!
Похожие работы
Дипломная работа, Биотехнология, 61 страница
990 руб.
Дипломная работа, Биотехнология, 59 страниц
850 руб.
Служба поддержки сервиса
+7(499)346-70-08
Принимаем к оплате
Способы оплаты
© «Препод24»

Все права защищены

Разработка движка сайта

/slider/1.jpg /slider/2.jpg /slider/3.jpg /slider/4.jpg /slider/5.jpg