Inżynier i Fizyk Medyczny 6/2016 vol. 5
333
technologie
/
technologies
artykuł naukowy
/
scientific paper
cechą była wartość skuteczna (RMS) sygnału, która wyznaczona
dla każdego z kanałów wstępnie generowała 8 wartości opi-
sujących sygnał. Dodatkowo obliczone zostały wyniki dziele-
nia odczytów z każdej pary kanałów, co tworzyło kolejnych 28
wartości. Drugą cechą określaną we wstępnej analizie sygnału
była energia dla sumy wszystkich kanałów w poszczególnych
pasmach częstotliwościowych o szerokości 10 [Hz]. W efekcie
w paśmie 2-102 [Hz] uzyskiwano 10 wartości dla każdej próbki
sygnału. Trzecią z wyznaczanych cech była zależność fazowa
pomiędzy każdą parą kanałów, co zapewniało 28 wartości. Tak
przygotowana konfiguracja danych wejściowych była przekazy-
wana do wyższych pięter systemu przetwarzania sygnału.
Autorzy rozwiązania do klasyfikacji danych wykorzystali meto-
dy wykorzystujące algorytmy uczenia maszynowego z nadzorem,
a dokładniej schemat maszyny wektorów nośnych SVM (s
upport
vector machine
). Algorytm ma na celu interpretację danych wej-
ściowych na podstawie cech otrzymanych w procesie wstępnej
analizy, a następnie zakwalifikowanie wyników do określonej
z grup. SVM jako algorytm uczenia maszynowego z nadzorem do
poprawnego działania potrzebuje procesu nauczania. Wpraktyce
był on realizowany przez wykonywanie każdego z 20 niezależnych
ruchów 50 razy w kolejności znanej dla systemu.
Podczas przeprowadzania doświadczeń zidentyfikowano
dwa negatywne zjawiska. Badani reagowali z różnym opóźnie-
niem na polecenie wykonania określonego ruchu, przez co nie-
które z aktywacji były zbyt krótkie lub nie mieściły się w dopusz-
czalnym przedziale czasowym odpowiedzi. Drugim ze zjawisk
było stosunkowo częste wykonanie ruchu sprzecznego z po-
leceniem. Wymieniona sytuacja doprowadza do pogorszenia
działania systemu ze względu na podanie rozbieżnych danych
wejściowych i zapewnionej odpowiedzi. Ma to szczególne zna-
czenie w przypadku procesu nauki z nadzorem, gdzie podanie
poprawnych danych wejściowych jest niezbędne do zapewnie-
nia wydajnej klasyfikacji po zakończeniu procesu uczenia.
Do oceny skuteczności działania systemu zostały wyznaczo-
ne dwie miary. Pierwsza z nich miała na celu ocenę skuteczności
rozpoznawania pojedynczej 250 [ms] próbki danych. W bada-
niu stawiano pytanie czy przy wykonaniu zadanego polecenia
algorytm poprawnie zakwalifikował każdą z próbek do popraw-
nej grupy. Drugą miarą, o wydaje się znacznie większej użytecz-
ności dla oceny działania całego systemu sterowania, była ocena
poprawności klasyfikacji całej wykonanej czynności składającej
się z większej liczby próbek. Wyniki były korzystniejsze w świetle
drugiej miary.
Wyniki klasyfikacji poszczególnych ruchów osiągnięte w do-
świadczeniu dla badanej grupy (n=12) plasowały się w granicach
około 80-90 [%] poprawnych klasyfikacji. Dodatkowo zbadano
wpływ rozmiaru grupy uczącej SVM na skuteczność klasyfikacji.
Zgodnie z oczekiwaniami dłuższy proces uczenia, zapewniający
więcej próbek, skutkował korzystniejszymi rezultatami finalne-
go działania systemu. Biorąc pod uwagę negatywne czynniki
wpływające na badanie, skuteczność działania zaprojektowane-
go systemu można uznać za obiecującą.
Przykład wykorzystania sygnałów
EMG mięśni kończyn dolnych
w systemie sterowania
Wykorzystanie sygnałów EMG mięśni kończyn dolnych jest
znacznie rzadziej spotykanym wariantem w systemach stero-
wania ze względu na ich aktywny udział w procesie chodu oraz
utrzymania równowagi. Obecnie stosowane są rozwiązania
wykorzystujące mięśnie kończyn dolnych do sterowania z wy-
korzystaniem sygnałów EMG głównie w przypadku urządzeń do
wspomagania ruchowego oraz zwiększania efektywności mię-
śni. Poniżej opisano projekt [6, 7], w którym skutecznie został
zaimplementowany system sterowania wykorzystujący sygnały
EMG z mięśni kończyn dolnych do sterowania egzoszkieletem.
W omawianym rozwiązaniu jako układ sterowany wykorzysty-
wany był egzoszkielet opracowany przez zespół z Uniwersytetu
Technicznego w Berlinie. Urządzenie ma formę ortezy zakładanej
na nogę operatora. Elementem odpowiadającym za wspomaga-
nie ruchu jest siłownik umieszczony w okolicach stawu kolanowe-
go. Dodatkowo urządzenie wyposażone jest w zestaw zaawan-
sowanych czujników położenia, parametrów pracy mechanicznej
oraz 6 sensorów EMG umieszczanych na udach użytkownika. Do
Fot. 3
. Egzoszkielet kończyny dolnej opracowany przez zespół Uniwersytetu Technicznego w Berlinie
Źródło: [8].
