vol. 5 6/2016 Inżynier i Fizyk Medyczny
334
technologie
\
technologies
artykuł naukowy
\
scientific paper
kontroli urządzeniamożliwe byłowykorzystanie jednego z dwóch
wariantów sterowania. Pierwszy polegał na użyciu sygnałów EMG
w procesie zwiększenia siły mięśni kończyn dolnych użytkownika.
Drugi wariant wykorzystywał sygnały bioelektryczne do kontroli
układu wspomagania utrzymania równowagi.
W przypadku wariantu systemu wspomagającego siłę mię-
śni kończyn dolnych, celem projektu było stworzenie układu
sprzężenia zwrotnego, który wykorzystywał sygnały EMG jako
informacje dla kontrolera aktywującego siłownik. Sterowanie
w przypadku omawianego wariantu oparte było na modelach
matematycznych ciała ludzkiego oraz siłownika odpowiadają-
cego za wspomaganie ruchu. W czasie pracy zestaw czujników
umieszczonych w egzoszkielecie dostarczał informacji o reje-
strowanym sygnale EMG, obecnej sile osiąganej przez siłownik
oraz kącie zgięcia kończyny. Na podstawie wymienionych da-
nych cyfrowe modele obu elementów były uaktualniane, a kon-
troler siłownika na podstawie ich stanu odpowiednio zmieniał
jego położenie, co powodowało wspomaganie ruchu kończyny
operatora. Ten wariant systemu sterowania miał być docelowo
wykorzystywany przez osoby o pełnej sprawności ruchowej do
wspomagania wydolności mięśni kończyn dolnych.
Teoria działania drugiego z wariantów sterowania oparta jest
na analogicznych podstawach. W tym przypadku wykorzysty-
wany był biomechaniczny model środka ciężkości użytkownika
czerpiący informacje z odczytów z sensorów EMG, nacisku stopy
na podłoże oraz kąta zgięcia kończyny. Celem układu regulacji
było utrzymanie położenia środka ciężkości pacjenta, na bieżą-
co estymowanego na podstawie modelu, aby nie przekroczył
określonych granic. Rozwiązanie było dedykowane docelowo
osobom posiadającym władzę nad kończynami dolnymi, ale cier-
piącym na znaczące zaburzenia równowagi.
Podsumowanie
W świetle przeanalizowanych rozwiązań oraz własnych doświad-
czeń w obszarze projektowania systemów sterowania z użyciem
sygnałów EMG, możliwe jest określenie rozwijanych rozwiązań
jako obiecujące. Stopniowe wprowadzanie ich do różnych ga-
łęzi przemysłu, w szczególności w protetyce kończyn górnych,
jest najlepszym dowodem potwierdzającym postawioną tezę.
Znaczącym wyzwaniem wchodzącym w skład omawianego za-
gadnienia jest metoda interpretacji sygnałów EMG, a wraz z nią
opracowanie strategii sterowania urządzeniem. Kwestie te
są nierozerwalnie związane z decyzją o rozmieszczeniu senso-
rów. Dla systemów sterowania wykorzystujących sygnały EMG
istotne są również zagadnienia ich kalibracji oraz personalizacji
mające na celu dostosowanie pracy sterowanego urządzenia
do odpowiedzi EMG danego użytkownika. Aktualne rozwiąza-
nia stosowane w obszarze tych zagadnień bazują na metodach
uczenia maszynowego i coraz częściej stają się inteligentnymi,
adaptowalnymi podsystemami, które sprawnie dopasowują
system do potrzeb użytkownika, a nie odwrotnie. Możliwe, że
utrzymanie się tego trendu zaowocuje w niedługim czasie stwo-
rzeniem nowego standardu sterowania zdalnego, konkurencyj-
nego do tych znanych ludzkości od pokoleń.
Literatura
1.
M. Kegler:
System wykorzystujący sygnały z mięśni kończyn dol-
nych do inicjalizacji procedur ruchowych egzoszkieletu
, Praca Inży-
nierska, Politechnika Warszawska, 2016.
2.
R. Merletti, P. Di Torino:
Standards for reporting EMG data
, J Elec-
tromyogr Kinesiol, 9(1), 1999, 3-4.
3.
M. Essendrop, B. Schibye, K. Hansen:
Reliability of isometric
muscle strength tests for the trunk, hands and shoulders
,
Interna-
tional Journal of Industrial Ergonomics, 28(6), 2001, 379-387.
4.
C.E. Boettcher, K.A. Ginn, I. Cathers:
Standard maximum isome-
tric voluntary contraction tests for normalizing shoulder muscle
EMG
, Journal of orthopaedic research, 26(12), 2008, 1591-1597.
5.
T.S. Saponas, D.S. Tan, D. Morris, R. Balakrishnan:
Demonstra-
ting the feasibility of using forearm electromyography for muscle-
computer interfaces
, In
Proceedings of the SIGCHI Conference
on Human Factors in Computing Systems, ACM, 2008, 515-524.
6.
C. Fleischer, G. Hommel:
A human-exoskeleton interface utilizing
electromyography
,
IEEE Transactions on Robotics,
24(4), 2008,
872-882.
7.
C. Fleischer, K. Kondak, A. Wege, I. Kossyk:
Research on Exoskele-
tons at the TU Berlin. In Advances in Robotics Research
, Springer,
Berlin 2009, 335-346.
8.
-
Neu.png (data dostępu: 21.10.2016).
Bibliografia
1.
G.R. Naik:
Computational intelligence in electromyography analy-
sis – a perspective on current applications and future challenges
,
2012.
2.
R.H. Chowdhury, M.B. Reaz, M.A.B.M. Ali, A.A. Bakar, K. Chel-
lappan, T.G. Chang:.
Surface electromyography signal processing
and classification techniques
, Sensors, 13(9), 2013, 12431-12466.
3.
E. Criswell:
Cram’s introduction to surface electromyography
, Jo-
nes & Bartlett Publishers, 2010.
4.
R. Merletti, P.A. Parker:
Electromyography: physiology, engine-
ering, and non-invasive applications
, 11, John Wiley & Sons, 2004.
5.
P. Konrad:
The abc of emg. A practical introduction to kinesiologi-
cal electromyography
, 1, 2005, 30-35.
6.
D. Stegeman, H. Hermens: Standards
for surface electromy-
ography: The European project Surface EMG for non-invasive as-
sessment of muscles
,
SENIAM,
Línea, 2007,
. med.
uni-jena.de/motorik/pdf/stegeman.pdf.
