Анализ и обработка сигнала электромиограммы

Исследования последних лет свидетельствуют об устойчивой динамике увеличения числа инвалидов. По оценкам, более миллиарда человек, или около 15% населения мира (согласно оценке глобальной численности населения 2010 года), живут с какой-либо формой инвалидности и нуждаются в реабилитации двигательной активности [1].

На сегодняшний день актуальная задача реабилитации людей с нарушениями двигательной активности. На данный момент в реабилитации распространена методика обучения движению. Методика основана на процессе компенсации нарушенных функций организма. В результате нарушения или полной утраты каких-либо функций происходит компенсаторная перестройка, которая включает восстановление и замещение утраченных функция, а также изменение последних, что в свою очередь приводит к полному или частичному восстановлению. В процессе компенсации важную роль играет ЦНС. Изменяется характер связей и взаимодействия между периферической и центральной нервной системой. В процессе реабилитации образующиеся связи меняют характер афферентации. Обучение представляет собой процесс, ассоциирующийся с практикой или прошлым опытом. Обучение происходит в несколько стадий: когнитивная, ассоциативная, и автономная.

Электромиография ̶ это диагностический метод, основанный на регистрации биоэлектрических потенциалов мышц, возникающих в скелетных мышцах во время возбуждения мышечных волокон. Электромиография дает возможность оценить функциональное состояние двигательной системы и определить очаги поражения опорно-двигательного аппарата. Создание электромиографа, отображающего в режиме реального времени сигнал электромиограммы при выполнении пациентом упражнений на специальных тренажерах, позволит значительно ускорить процесс реабилитации [2]. Вывод ЭМГ-сигнала на экран в режиме реального времени позволяет врачу наблюдать динамику процесса реабилитации и корректировать терапию

Поверхностная электромиограмма, регистрируемая с помощью поверхностных электродов, представляет собой суперпозицию всех сигналов мышц. Основной спектр сигнала электромиограммы располагается в границах от 10 до 500Гц [3], но при реабилитации используется сигнал электромиограммы в диапазоне от 120 до 500 Гц [4]. Следовательно, верхней значимой границей сигнала электромиограммы можно считать 500 Гц.

После регистрации сигнала с помощью поверхностных электродов осуществляется обработка сигнала. Обработка на аппаратном уровне включает в себя подавление синфазной помехи, удаление сетевых помех, исключение из сигнала частоты до 120 Гц и после 500 Гц, а также масштабирование сигнала под динамический диапазон АЦП. Фильтрация сигнала на аппаратном уровне осуществляется фильтром Баттерворта 2-го порядка и RC-фильтром. [5].

Рисунок 1. Зарегистрированный сигнал электромиограммы

Полученный сигнал электромиограммы был отфильтрован в среде Matlab с помощью разработанных полосно-пропускающих фильтров.

Рисунок 2 показывает сигнал электромиограммы после фильтрации ППФ КИХ фильтром.

Рисунок 2.Сигнал электромиограммы после фильтрации ППФ КИХ фильтром

Одним из вариантов определения мышечной активности является обработка сигнала с помощью заданного стационарного порога. В нашем случае использовалось построение огибающей. Огибающая – функция, построенная по характерным точкам сигнала ЭМГ (например, максимумам и минимумам). Существует большое количество способом получения огибающей, в данной работе для получения огибающей использовался фильтр нижних частот Баттерворта 214 порядка.

Рисунок 3показывает огибающую сигнала ЭМГ, полученную с помощью фильтра нижних частот.

Рисунок 3. Огибающая сигнала электромиограммы

Алгоритм определения мышечной активности представлял собой обычный пороговый метод, при котором превышение значения порога огибающей  считалось мышечной активностью. Разработка алгоритма проводилась в среде Matlab. В качестве стационарного порога было выбрано значение огибающей .

Рисунок 4 показывает результат определения мышечной активности.

Рисунок 4. Определение активности на сигнале ЭМГ

В результате проверки алгоритма все мышечные активности были точно определены. Предлагаемый алгоритм обладает хорошей точностью определения мышечной активности. К недостаткам алгоритма относится чувствительность к падению амплитуды сигнала огибающей ниже стационарного порога при продолжении мышечной активности, а также к помехам, чей уровень сигнала превышает заданный порог.