Методы и алгоритмы анализа паттернов сигналов электромиографии на основе задачи классификации данных тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Кабанов Артемий Андреевич

• Кабанов Артемий Андреевич
• кандидат наук
• 2023

Оглавление диссертации кандидат наук Кабанов Артемий Андреевич

ВВЕДЕНИЕ

1 ПРОБЛЕМЫ ПРОЕКТИРОВАНИЯ СИСТЕМ УПРАВЛЕНИЯ ПРОТЕЗАМИ ВЕРХНИХ КОНЕЧНОСТЕЙ

1.1 Современное состояние протезов верхних конечностей

1.2 Анализ работ по использованию мышц верхних конечностей для управления протезом

1.3 Основные понятия электромиографии

1.4 Классификация подходов к использованию сигнала электромиографии для управления протезом

1.4.1 Анализ источников входной информации

1.4.2 Методика сбора сигналов

1.5 Существующие проблемы сбора сигналов электромиографии

1.6 Выводы по первой главе

2 РАЗРАБОТКА МОДУЛЯ ПРЕДОБРАБОТКИ СИГНАЛОВ ПОВЕРХНОСТНОЙ ЭЛЕКТРОМИОГРАФИИ

2.1 Получение данных для классификации на основе сигналов электромиографии

2.2 Структура программно-технического решения предобработки данных

2.2.1 Разработка модуля анализа данных

2.2.2 Разработка модуля нормализации данных

2.2.3 Разработка модуля сегментации данных

2.3 Обогащение признакового пространства с помощью функций извлечения признаков из сигнала электромиографии

2.3.1 Функции на основе анализа сигнала во временной области

2.3.2 Функции на основе анализа сигнала в частотной области

2.3.3 Функции на основе анализа сигнала в частотно-временной области

2.4 Уменьшение размерности вектора признаков

2.4.1 Метод анализа главных компонент

2.4.2 Метод линейного дискриминантного анализа

2.5 Выводы по второй главе

3 КЛАССИФИКАЦИЯ ПАТТЕРНОВ СИГНАЛОВ ЭЛЕКТРОМИОГРАФИИ МЕТОДАМИ МАШИННОГО ОБУЧЕНИЯ

3.1 Получение сигналов электромиографии

3.1.1 Обоснование выбора исследуемых баз данных сигналов электромиографии

3.1.2 Исследуемые базы из набора ШтаРто

3.1.3 Исследуемые базы из набора MyoArmband

3.2 Постановка задачи классификации данных

3.3 Разработка модуля гиперпараметрической оптимизации классификатора

3.4 Оценка моделей машинного обучения

3.5 Разработка и реализация алгоритма классификации на основе метода наивного Байеса

3.6 Разработка и реализация алгоритма классификации на основе метода k -ближайших соседей

3.7 Разработка и реализация алгоритма классификации на основе метода решающего дерева

3.8 Разработка и реализация алгоритма классификации на основе метода машины опорных векторов

3.9 Выводы по третьей главе

4 ПРИМЕНЕНИЕ АНСАМБЛЕВЫХ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ К ЗАДАЧЕ КЛАССИФИКАЦИИ ПАТТЕРНОВ СИГНАЛОВ ЭЛЕКТРОМИОГРАФИИ

4.1 Сравнение различных моделей машинного обучения в задачах классификации паттернов сигналов электромиографии

4.2 Объединение базовых классификаторов

4.3 Ансамблевое построение классификатора методом случайных подвыборок

4.3.1 Разработка и реализация алгоритма классификации на основе метода случайного леса

4.4 Ансамблевое построение классификатора методом композиции базовых классификаторов

4.4.1 Разработка и реализация алгоритма классификации на основе композиции методом AdaBoost

4.4.2 Разработка и реализация алгоритма классификации на основе композиции методом CatBoost

4.5 Разработка архитектуры программного комплекса обработки и классификации данных сигналов электромиографии

4.6 Результаты классификации ансамблевыми методами машинного обучения

4.7 Выводы по четвертой главе

ЗАКЛЮЧЕНИЕ

СПИСОК СОКРАЩЕНИЙ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А. АКТЫ ВНЕДРЕНИЯ И ИСПОЛЬЗОВАНИЯ РЕЗУЛЬТАТОВ ИССЛЕДОВАНИЯ

ПРИЛОЖЕНИЕ Б. СВИДЕТЕЛЬСТВА О РЕГИСТРАЦИИ ПРОГРАММ ДЛЯ ЭВМ

ПРИЛОЖЕНИЕ В. МЕТОДИКА И РЕЗУЛЬТАТЫ ИСПЫТАНИЙ ПРОГРАММ ДЛЯ КЛАССИФИКАЦИИ ПАТТЕРНОВ СИГНАЛОВ ЭЛЕКТРОМИОГРАФИИ

Введение диссертации (часть автореферата) на тему «Методы и алгоритмы анализа паттернов сигналов электромиографии на основе задачи классификации данных»

ВВЕДЕНИЕ

Актуальность темы исследования. Диссертационное исследование связано с разработкой методов, направленных на повышение эффективности работы системы измерения и управления комплексов протезирования. Данные комплексы входят в систему «интерфейс мозг-компьютер» (ИМК) и решают задачи взаимодействия человека с техническим устройством путем получения и обработки биофизических сигналов. Такое взаимодействие может осуществляться двумя способами: неинвазивным и инвазивным. Биофизическими сигналами могут являться различные речевые сигналы, а также сигналы электроэнцефалографии и электромиографии. Задачами систем ИМК являются: повышение качества жизни пациентов с утраченными конечностями (протезы), помощь пациентам с нарушением опорно-двигательного аппарата (экзоскелеты, инвалидные кресла), управление различными манипуляторами на опасном производстве и т. д.

Управление современным протезом требует качественного интерфейса между пользователем и протезом. Для того чтобы обеспечить надежность и полноту получаемой информации, необходимо создать систему, которая будет самостоятельно определять намерения пользователя, анализировать их и вырабатывать соответствующие реакции для управления самим протезом.

Появление пользовательского намерения может быть определено на трех различных уровнях: первый - моторная кора головного мозга, где осуществляется планирование и начало движения; второй - спинной мозг, где команды высокого уровня преобразуются в паттерны возбуждения - торможения низкого уровня; третий - мышцы, где поступающая команда трансформируется в механическое действие [1].

Методом обработки информации является электроэнцефалография (ЭЭГ) -это метод записи электрической активности головного мозга при помощи сетки неинвазивных электродов, прикрепленных к коже головы. На сегодняшний день было проведено большое количество исследований сигналов ЭЭГ с целью получения информации для управления объектами. Однако существует несколько

причин, по которым методы определения намерения пользователя, основанные на ЭЭГ, не применяются. А именно: необходимость высокой концентрации пользователя на выполняемом действии, малое количество распознаваемых паттернов, постоянное ношение массива электродов на голове. В настоящее время существуют также инвазивные способы получения информации на основе ЭЭГ, которые, возможно, могут решить описанные выше проблемы, однако они еще далеки от реального применения в жизни.

Третий (мышечный) уровень является наиболее приемлемым для управления протезами. Это связано с тем, что намерения пользователя в конечном итоге преобразуются в сокращение мышц, которое в свою очередь можно охарактеризовать по сигналу электромиографии (ЭМГ).

Также все еще существует ряд ограничений по использованию ЭМГ: управление, основанное на обработке информации только на электронной базе; усиление, фильтрация и пороговое детектирование. Существующие недостатки данного способа в сочетании с громоздкостью и дороговизной элементной базы приводят к отторжению применения данного способа пациентами. Поэтому главной задачей диссертации является проведение исследований, направленных на повышение эффективности ИМК, основанного на данных электромиографии.

Степень разработанности темы исследования. Исследования сигналов электромиографии ведутся уже много десятков лет, но в последнее время их значимость резко возросла. Это связано с ростом вычислительной мощности компьютеров и новыми методами обработки данных на основе машинного обучения. В имеющихся публикациях описаны разнообразные методы машинного обучения, направленные на классификацию данных с целью повышения точности и пертинентности информации, а также на выделение характерных признаков в заданном наборе данных.

Ученые всего мира работают с различными типами ИМК. В России это коллективы под руководством К. В. Анохина, А. Я. Каплана, В. Н. Кироя, А. А. Фролова, Г. А. Иваницкого и А. Ю. Тычкова [2, 3, 4, 5]. Исследования применения сигналов электромиографии в задачах ИМК проводят А. В. Литвин,

Е.А. Лукьянов, А. Ю. Будко, С. А. Лобов, В. Б. Казанцев [6, 7, 8, 9, 10]. За рубежом исследованиями неинвазивных ИМК на основе сигналов электромиографии занимаются научные группы по руководством Jamileh Yousefi [11], Mariam Al Harrach [12, 13], A. Balbinot [14, 15], John E. Bronlund [16], Tae-Gyu Chang [17], Abdulhamit Subasi [17, 19], Baihua Li [20, 21].

Целью диссертационной работы является повышение точности классификации паттернов сигналов электромиографии, путем применения технологий искусственного интеллекта, позволяющие выявить мелкомоторные функции управления бионическим протезом. Для достижения указанной цели в работе поставлены и решены следующие задачи:

1. Многофакторный анализ проблем и существующих решений в области сбора и классификации сигналов электромиографии.

2. Разработка алгоритма предобработки данных для дальнейшей классификации паттернов сигналов электромиографии на основе анализа исходного набора данных.

3. Разработка и исследование методов и алгоритмов обогащения признакового пространства на основе характеристик сигнала во временной, частотной и частотно-временной областях, в рамках решения задачи предобработки данных для классификации паттернов сигналов электромиографии.

4. Разработка метода унифицированной классификации паттернов сигналов электромиографии на основе базовых методов машинного обучения и ансамблевого подхода в методах машинного обучения.

5. Создание программного комплекса для классификации паттернов сигналов электромиографии с применением технологий искусственного интеллекта, позволяющего провести апробацию предложенных методов и алгоритмов.

Научная новизна. В диссертации реализована идея предварительного обогащения признакового пространства сигналов электромиографии, представляемых во временной, частотной и частотно-временной области, с целью

дальнейшего исследования полученного признакового пространства, результаты которого являются основой для выявления и классификации характерных признаков сигнала ЭМГ, что позволило разработать перспективные варианты развития в области управления бионическим протезом за счет повышения точности классификации паттернов сигналов электромиографии.

В процессе исследований получены следующие новые научные результаты.

1. Предложен и реализован алгоритм модуля предобработки сигналов электромиографии, основанный на методах интеллектуального анализа данных, отличающийся возможностью построения пространства характерных признаков сигнала ЭМГ. Отличительной особенностью алгоритма, по сравнению с уже известными, является реструктуризация обучающего набора данных не только на основе баланса классов, но и на основе количества пропущенных значений в векторах признаков каждого класса. Данный алгоритм предлагает ветвление на три части, в зависимости от количества пропущенных значений относительно длины вектора признаков, тем самым обеспечивая возможность замещения пропущенного значения на наиболее релевантное. Разработанный алгоритм позволил повысить точность дальнейшей классификации на 3-4 %.

2. Предложен и реализован способ обогащения признакового пространства сигнала электромиографии, использующий временную, частотную и частотно-временную области, для формирования набора характерных признаков сигнала. В отличии от известных, данный способ позволил представить информацию о совокупности характерных признаков сигнала ЭМГ путем применения алгоритмов уменьшения размерности, а именно: линейный дискриминантный анализ и анализ главных компонент, что в результате способствовало повышению точности классификации на 4-5 % и уменьшению времени обучения на 43-45 %.

3. Предложен новый метод классификации паттернов сигналов электромиографии, основанный на методах машинного обучения с применением способов выбора гиперпараметров, а именно способа поиска по сетке и способа случайного поиска, совместно с перекрестной проверкой. Данный метод отличается от известных тем, что позволяет выбирать алгоритмы из

базовых и ансамблевых методов непосредственно в процессе работы, демонстрируя различный подход к классификации в зависимости от входного пространства признаков. Это позволило реализовать унифицированный подход к классификации паттернов сигналов электромиографии, а также повысить точность распознавания жестов руки на 7-8 %.

Практическая значимость работы. Разработанные в рамках диссертационного исследования методы и алгоритмы позволили реализовать интеллектуальную систему классификации паттернов сигналов электромиографии. Данная система предназначена для комплекса управления протезом в качестве основного блока обработки сигналов, полученных неинвазивным способом. Разработанные методы позволяют сократить количество ложных срабатываний и неверно определенных намерений пользователя. Применение системы обеспечивает наиболее точную классификацию паттернов сигналов электромиографии. Разработанные программные средства предназначены для прямого управления исполнительными устройствами, что является важным для реабилитации пациентов. Разработанные программные продукты были применены в рамках проектов «Исследование методов и средств обработки биофизических сигналов с применением биоимпедансной электрометрии» (Российский фонд фундаментальных исследований) и «Разработка системы управления антропоморфными протезами с применением адаптивных алгоритмов коррекции дисфункции соматической нервной системы» (Фонд содействия инновациям).

Объектом диссертационного исследования являются сигналы электромиографии.

Предметом диссертационного исследования являются математические методы и алгоритмы искусственного интеллекта, применяемые для классификации данных, полученных из сигналов электромиографии.

Методология исследования. При решении поставленных задач использовались методы теории вероятности, математической статистики, цифровой обработки сигналов и моделирования на ЭВМ, машинного обучения

и анализа данных. Инструментальной средой разработки программного обеспечения являлся язык Python 3.8 и ряд необходимых библиотек.

Основные положения, полученные автором и выносимые на защиту:

1. Алгоритм анализа данных, основанный на определении размерности пространства признаков и соотношении объемов классов, позволяющий производить коррекцию информационного пространства в соответствии с набором условий.

2. Способ и алгоритм реструктуризации обучающего набора данных, основанный на выделении и использовании пространств признаков во временной, частотной и частотно-временной областях, с применением методов уменьшения размерности. Особенностью способа является то, что он позволяет сократить размерность вектора признаков за счет исключения неинформативных компонент.

3. Метод и алгоритм классификации паттернов сигналов электромиографии на основе базовых и ансамблевых методов машинного обучения, отличающиеся от известных тем, что позволяют проводить классификацию в зависимости от параметров входного сигнала.

4. Результаты исследования теоретических положений с помощью разработанного программного комплекса, подтверждающие эффективность предложенного подхода анализа данных, предобработки и их классификации. Созданный программный продукт является основой неинвазивных комплексов сбора и обработки данных, входящих в состав систем мониторинга, реабилитации и протезирования.

Соответствие паспорту специальности. Диссертация соответствует областям исследований: п. 3 «Разработка методов и алгоритмов решения задач системного анализа, оптимизации, управления, принятия решений и обработки информации», п. 12 «Методы искусственного интеллекта и нечеткой логики», научной специальности 2.3.1. «Системный анализ, управление и обработка информации, статистика».

Достоверность полученных результатов. Обоснованность и достоверность теоретических результатов, положений и выводов, полученных

в диссертационной работе, базируются на применении апробированных научных положений и методов исследований, корректном использовании математического аппарата, согласованности новых результатов с известными теоретическими положениями и результатами экспериментальных исследований. Обоснованность и достоверность практических результатов диссертации подтверждаются их апробацией, внедрением предложенных способов и алгоритмов в электроимпедансную визуализацию при анализе результатов и исследований антиоксидантных свойств веществ в отношении активных радикалов кислорода.

Апробация результатов исследования. Основные положения и результаты диссертационного исследования были успешно доложены и обсуждены на VII Региональной научно-практической конференции с международным участием, г. Омск, 2018; XIII Международной научно-технической конференции «Динамика систем, механизмов и машин», г. Омск, 2019; IEEE Ural-Siberian Conference on Biomedical Engineering, Radioelectronics and Information Technology (USBEREIT), г. Екатеринбург, 2019; Международной IEEE-Сибирской конференции по управлению и связи (SIBCON-2019), г. Томск, 2019; XIV Международной научно-технической конференции «Динамика систем, механизмов и машин», г. Омск, 2020; IV Международной научно-технической конференции «Проблемы машиноведения», г. Омск, 2020; IV Всероссийской научно-технической конференции с международным участием «Приборы и методы измерений, контроля качества и диагностики в промышленности и на транспорте», г. Омск, 2020; XV International Scientific and Technical Conference «Actual Problems of Electronic Instrument Engineering», г. Новосибирск, 2021; XIII Всероссийской научно-практической конференции студентов, аспирантов, работников образования и промышленности «Информационные технологии и автоматизация управления», г. Омск, 2022.

Реализация и внедрение результатов исследования. Результаты диссертационного исследования использовались при выполнении проектов:

- № 19-38-90162\19 «Исследование методов и средств обработки биофизических сигналов с применением биоимпедансной электрометрии» (Российский фонд фундаментальных исследований);

- № 13958ГУ/2019 «Разработка системы управления антропоморфными протезами с применением адаптивных алгоритмов коррекции дисфункции соматической нервной системы» (Фонд содействия инновациям).

Результаты диссертационного исследования признаны эффективными и использованы в производственной деятельности ООО «Электроимпедансная визуализация», г. Томск.

Результаты диссертационной работы внедрены в учебную деятельность ФГАОУ ВО «Омский государственный технический университет».

Результаты диссертационной работы внедрены в учебную деятельность ФГБОУ ВО «Санкт - Петербургский государственный лесотехнический университет им. С.М. Кирова».

Публикации по теме исследования. По результатам исследований опубликована 21 научная работа, в том числе 2 научные статьи в рецензируемых научных изданиях, рекомендованных ВАК при Минобрнауки России; вышло 7 статей в изданиях, индексируемых в международной реферативной базе данных Scopus; получено 6 свидетельств о государственной регистрации программ для ЭВМ.

Личный вклад автора. Исследования, результаты которых изложены в диссертации, проведены лично соискателем в процессе научной деятельности. Соискателем самостоятельно разработаны алгоритмы и программный комплекс, реализующий предложенные методы анализа; получены экспериментальные и теоретические результаты, представленные в диссертации и выносимые на защиту.

Личный вклад диссертанта в работы, выполненные в соавторстве, состоит в разработке методов и алгоритмов, а также в представлении результатов исследований для опубликования.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы (129 наименований) и трех приложений. Общий объем работы 158 страниц, в том числе 119 страниц основного текста, включая 35 рисунков и 16 таблиц.

1 ПРОБЛЕМЫ ПРОЕКТИРОВАНИЯ СИСТЕМ УПРАВЛЕНИЯ ПРОТЕЗАМИ ВЕРХНИХ КОНЕЧНОСТЕЙ

1.1 Современное состояние протезов верхних конечностей

На сегодняшний день ампутация верхних конечностей - достаточно частое явление, возникающее по разным причинам: травмы, заболевания и др. Потеря человеком верхней конечности сильно ограничивает его возможности и снижает качество жизни. Протезы верхних конечностей - технологически более сложные устройства, чем протезы нижних конечностей. Ампутация верхних конечностей делится на несколько категорий: трансрадиальная, трансгуморальная, ампутация передней четвертины и экзартикуляция плеча и запястья.

В зависимости от уровня ампутации применяют различные типы протезов верхних конечностей, представленные на рисунке 1.1.

Рисунок 1.1 - Различные типы протезов: косметические (слева), тяговые (в середине), бионические (справа)

Косметические протезы обычно изготовлены из пластика или силикона и выглядят как обычная рука, имеют похожий с кожей человека цвет и твердость. Данные протезы не могут выполнять никаких действий и осуществляют только эстетическую функцию. Косметические протезы, как правило, обладают невысокой стоимостью.

Тяговые протезы - это устройства, использующие механические тросы и натяжители для выполнения простых действий типа разжимания и сжатия кисти. Для выполнения этих действий пациентам необходимо научиться

управлять другими частями тела, плечами или грудными мышцами. Так же как и косметические, обладают невысокой стоимостью.

Протезы с электроприводом часто называют миоэлектрическими. Однако не всегда электроприводимые протезы являются миоэлектрическими. Миоэлектрические протезы - это протезы, основанные на миоэлектрическом управлении, получении сигнала от мышц, их дальнейшей обработки и генерации управляющих сигналов. В отличие от тяговых протезов миоэлектрические обладают более антропоморфной формой. Скорость работы, сила захвата и функциональность у таких протезов значительно больше, чем у других типов протезов [22].

Протезы верхних конечностей существуют достаточно давно, однако использовать сигнал электромиографии для управления протезами впервые предложил Райнхольдм Райтер в 1948 году. Позднее в 1960 году А. Е. Кобринский предложил систему управления протезом на транзисторах - данное устройство позволяло выполнять две функции: разжимание и сжатие кисти [23]. Электроды располагались над группой мышц антагонистов, сигнал ЭМГ был усилен, отфильтрован и получена огибающая. Далее для определения захвата огибающая сигнала сравнивалась с заранее заданным порогом.

Существующие исследования в области протезирования верхних конечностей доказывают возможность применения сигналов электромиографии для управления протезами. Однако в большинстве случаев задачи, выполняемые протезом, ограничиваются разжиманием и сжатием кисти, как в работе Кобринского. В последние годы также появились протезы, которые могут выполнять несколько программируемых движений. Но методы управления такими протезами основаны на стратегии последовательного управления, которое далеко от естественного. Поэтому пользователю предварительно необходимо пройти курс обучения и тренировок.

При разработке современного протеза сталкиваются с двумя основными ограничениями: встраивание в протез приводов, датчиков и различных

электронных компонентов, соответствующих размеру и весу заменяемой руки, и расширение функционала управления.

Несмотря на существующие ограничения на рынке присутствует некоторое количество компаний, занимающихся разработкой и производством протезов, основанных на миоэлектрическом управлении [24]. Характеристики и компании-производители различных протезов представлены в таблице 1.1.

Таблица 1.1 - Различные протезы верхних конечностей

Протез / компания

Характеристики i - Limb / Bebionic / Michelangelo /

Touch bionics RSL Stepper Ottobock

Масса, г 443-515 550-598 420

Количество 6 5 2

приводов, шт.

Количество 6 6 2

степеней

свободы, шт.

Активные Пястно- Пястно- 4 пальца

степени свободы фаланговый сустав фаланговый сустав и большой палец

Пассивные - Большой палец —

степени свободы

Соединительный От пястно- От пястно- В виде кулака,

механизм фалангового фалангового с управлением

сустава сустава всеми пальцами

к проксимально к проксимально отдельно

межфаланговому межфаланговому

Конфигурация Точный, боковой, Точный, боковой, Неточный,

захвата сильный сильный боковой, нейтральной силы

Максимальная 100-136 140 70

сила, Н

Одним из основных недостатков современных протезов является отсутствие интуитивно понятного и надежного интерфейса, способного сопоставить намерения пользователя с реальными движениями протеза. Также обширному

распространению протезов в обществе препятствуют необходимость обучения работе с устройством для точной классификации жестов, фильтрация шумов и помех различной природы и еще много разных не решенных пока наукой задач [25]. Для увеличения частоты использования протезов был разработан ряд условий:

• легкость и антропоморфность протеза, для того чтобы минимизировать разницу между протезом и реальной рукой;

• надежность и устойчивость системы (согласно исследованиям около 50 % пациентов не используют свои протезы из-за ненадежности) [26];

• хорошая скорость реагирования - время от происхождения намерения до исполнения жеста электромеханическим устройством;

• высокое качество получаемых сигналов для обработки.

1.2 Анализ работ по использованию мышц верхних конечностей для управления протезом

Тело человека содержит более 700 прикрепленных к скелетным костям мышц, которые составляют примерно половину массы тела. Скелетные мышцы обладают четырьмя основными характеристиками [27, 28]:

1. Возбудимость - способность мышечной ткани сокращаться при стимуляции произвольными или непроизвольными моторными командами.

2. Сократимость - способность мышечной ткани реагировать на раздражитель.

3. Эластичность - способность мышечной ткани возвращаться в исходное состояние после растяжения.

4. Растяжимость - способность мышечной ткани растягиваться или увеличиваться в длину.

Скелетные мышцы (кроме мимических) прикрепляются к костям при помощи сухожилий - жестких волокон соединительной ткани, состоящих из коллагена. Во время растяжения мышечных волокон сухожилия подвержены

максимальному напряжению. Для данного исследования наибольший интерес представляют мышцы верхних конечностей.

Мышцы руки можно условно разделить на пять различных областей: грудная клетка, лопатка, плечо, предплечье и кисть. В каждой из этих частей существуют различные степени свободы. Группы мышц представлены на рисунке 1.2.

Рассмотрим группы мышц руки. Двухглавая мышца (бицепс) плеча расположена в передней части руки и является основной мышцей, воздействующей на плечевой и локтевой суставы. Трехглавая мышца плеча (трицепс) отвечает за разгибание предплечья в локтевом суставе [29, 30]. Глубокий сгибатель пальцев отвечает за движение захвата рукой, данная мышца имеет небольшое возвышение на задней поверхности предплечья. Разгибатель пальцев позволяет сгибать 4 пальца в их пястно-фаланговых суставах, также эта мышца участвует в разгибании запястья. Сигналы ЭМГ, полученные с данных четырех групп мышц, считаются основными для управления протезами [31].

1.3 Основные понятия электромиографии

Электромиография (ЭМГ) - это запись сигналов электрической активности мышечных волокон. Данные сигналы формируются при наложении отдельных мышечных потенциалов действия, которые в свою очередь генерируются разрядами двигательных единиц в мышечном волокне. Возбуждение возникает из-за потока ионов, идущих через данное волокно от мозга человека. Сигнал поверхностной ЭМГ представляет собой реальное действие отдельной мышцы или группы мышц. Данный процесс отписан в работе De Luca [22].

При данных процессах возникает потенциал действия мотонейрона, что является фундаментальным элементом сигнала ЭМГ. Диапазон амплитуд большинства потенциалов действия (ПД) мотонейронов от 0 до 10 мВ (пиковый) или от 0 до 1.5 мВ (среднеквадратичное значение). ПД мотонейрона распространяется по мышечным волокнам и тем самым сокращает их. Математическая модель генерации сигнала ЭМГ представлена на рисунке 1.3.

Рисунок 1.3 - Иллюстрация математической модели сигнала ЭМГ [32]

Сигнал электромиографии представляет собой совокупность периодически появляющихся потенциалов действия мотонейронов двигательных единиц,

находящихся в области записи электрода. Для описания данного процесса в работах часто используется линейная модель ЭМГ

У(ь) = УЧ (0 + ^(0,

(1.1)

где N - общее количество двигательных единиц; Я^ - потенциал действия двигательной единицы; и^ (ь) - последовательность единичных импульсных функций (функций Дирака), представляющая цепочку всплесков /-ой двигательной единицы; - шумы системы сбора и помехи, регистрируемые электродом.

Процесс управления мышцами осуществляется следующим образом. В моторной коре головного мозга возникает управляющая команда. Далее через средний и продолговатый мозг команда передается спинному мозгу. В спинном мозге она преобразуется в паттерны возбуждения или расслабления, что в результате приводит к управлению конкретными мышцами. Схема процесса управления мышцами представлена на рисунке 1.4.

Список литературы диссертационного исследования кандидат наук Кабанов Артемий Андреевич, 2023 год

СПИСОК ЛИТЕРАТУРЫ

1. Ciaccio E. J., Dunn S.M., Akay M. Biosignal pattern recognition and interpretation systems. Part 4 of 4: Review of applications // IEEE Engineering in Medicine and Biology Magazine. — 1994. — Vol. 13, 2006, Issue 2. — P. 269—273.

2. Ганин, И. П. Интерфейс мозг компьютер на основе волны p300: предъявление комплексных стимулов "подсветка + движение" // Журнал высшей нервной деятельности им. И. П. Павлова / И. П. Ганин, А. Я. Каплан. - 2014. -Т. 64, № 1. - С. 32-40.

3. Идеомоторные ЭЭГ паттерны в контуре интерфейса мозг-компьютер / Д. М. Лазуренко, И. Е. Шепелев, В. Н. Кирой [и др.] // Избранные вопросы нейрореабилитации : материалы VII Междунар. конгресса «Нейрореабилитация -2015» (Москва, 9-10 июня 2015 г.) / редкол.: Г. Е. Иванова [и др.]. - Москва, 2015. - С. 246-249.

4. Применение комплекса «интерфейс "мозг-компьютер" и экзоскелет» и техники воображения движения для реабилитации после инсульта / С. В. Котов, Л. Г. Турбина, П. Д. Бобров [и др.] // Альманах клинической медицины. - 2015. -№ 39. - С. 15-21.

5. Возрастные особенности корреляции ЭЭГ-паттернов при различных формах невротических расстройств / А.В. Агейкин, Е.В. Колесова, А.Ю. Тычков, А.К. Алимурадов, В.Б. Калистратов, С.Н. Косова, В.Н. Горбунов, Н.А. Макарова // Психическое здоровье. - 2019. - №4. - С. 15-21.

6. Литвин, А. В. Интеллектуальная система электромиографического (ЭМГ) управления протезом верхней конечности / А. В. Литвин, Ф. В. Бонилья // Интеллектуальные технологии и проблемы математического моделирования: материалы II Всерос. науч. конф. - Ростов-на-Дону: Изд-во Донского гос. техн. ун-та, 2019. - С. 59-61.

7. Синтез электромиографического устройства управления в биотехнической системе "инвалид-протез-окружающая среда" / В. Ф. Бонилья, А. В. Литвин, Е. А. Лукьянов // Известия Юго-Западного государственного

университета. Сер. : Управление, вычислительная техника, информатика. Медицинское приборостроение. - 2018. - Т. 8, №. 3. - С. 132-140.

8. Распознавание электромиограммы предплечья и выбор жестов для управления протезом / Р. Ю. Будко, Н. Н. Чернов, Н. А. Будко, А. Ю. Будко. -DOI: 10.26102/2310-6018/2019.24.1.017 // Моделирование, оптимизация и информационные технологии. - 2019. - Т. 7, №. 1. - С. 54-66.

9. Оптимизация скорости и точности ЭМГ-интерфейса в практических приложениях / С. А. Лобов, Н. П. Крылова, А. П. Анисимова, В. И. Миронов, В. Б. Казанцев // Физиология человека. - 2019. - Т. 45, № 2. - С. 37-43.

10. Самоорганизующиеся карты миографических паттернов мышц предплечья при движениях кисти / М. О. Шамшин, Н. П. Крылова, В. Б. Казанцев [и др.] // Труды XXII научн. конф. по радиофизике, посвящ. 100-летию Нижегородской радиолаборатории. - Нижний Новгород : Изд-во Нижегород. гос. ун-та, 2018. - С. 221-224.

11. Jamileh, Yo. Naive Bayes vs. Decision Trees in EMG Data Classification / Yousefi Jamileh. - 2015. - P. 1-28. - D0I:10.13140/RG.2.1.3448.2088. - URL: https://www.researchgate.net/publication/277076138_Naive_Bayes_vs_Decision_Trees _in_EMG_Data_Classification (date accessed: 29.06.2022).

12. Al Harrach, М. Towards High Density sEMG (HD-sEMG) Acquisition Approach for Biometrics Applications / Mariam Al Harrach, Sofiane Boudaoud, Amine Nait-ali. - DOI: 10.1007/978-981-13-0956-4_6 // Hidden Biometrics. - Springer, Singapore, 2020. - P. 101-112.

13. Multi-muscle force estimation using data fusion and HD-sEMG: an experimental study / Mariam Al Harrach, Sofiane Boudaoud, Vincent Carriou, Frédéric Marin. - DOI: 10.1109/ICABME.2017.8167529 // 2017 Fourth International Conference on Advances in Biomedical Engineering (ICABME). - IEEE, 2017. -P. 1-4.

14. sEMG feature selection and classification using SVM-RFE / Mauricio C. Tosin, Mariano Majolo, Raissan Chedid, Vinicius H. Cene, Alexandre Balbinot. - DOI: 10.1109/EMBC.2017.8036844 // 2017 39th Annual International Conference of the

IEEE Engineering in Medicine and Biology Society (EMBC). - IEEE, 2017. -P. 390-393.

15. Open database for accurate upper-limb intent detection using electromyography and reliable extreme learning machines / Vinicius Horn Cene, Mauricio Tosin, Juliano Machado, Alexandre Balbino. -https://doi.org/10.3390/s19081864 // Sensors. - 2019. - Vol. 19, №. 8. - P. 1864.

16. Wang, J. Pattern recognition-based real time myoelectric system for robotic hand control / J. Wang, L. Tang, J. E. Bronlund. - DOI: 10.1109/ICIEA.2019.8833918 // 2019 14th IEEE Conference on Industrial Electronics and Applications (ICIEA). -IEEE, 2019. - P. 1598-1605.

17. Surface electromyography signal processing and classification techniques / Rubana H. Chowdhury, Mamun B. I. Reaz, Mohd Alauddin Bin Mohd Ali [et all.]. -https://doi.org/10.3390/s130912431 // Sensors. - 2013. - Vol. 13, №. 9. - P. 1243112466.

18. Subasi, A. Surface EMG signal classification using TQWT, Bagging and Boosting for hand movement recognition / A. Subasi, S. M. Qaisar. -https://doi.org/10.1007/s12652-020-01980-6 // Journal of Ambient Intelligence and Humanized Computing. - 2022. - Vol. 13. - P. 3539-3554.

19. Gaso, M. S. Electromyography Signal Classification Using Deep Learning / M. S. Gaso, S. Cankurt, A. Subasi. - DOI: 10.1109/ICECC053203.2021.9663803 // 2021 16th International Conference on Electronics Computer and Computation (ICECCO). - IEEE, 2021. - P. 1-6.

20. Xie, B. Movement and Gesture Recognition Using Deep Learning Technology / B. Xie, B. Li, A. Harland // 2nd UK-RAS robotics and autonomous systems conference. - Loughborough, 2019. - P. 91-93.

21. Robinson, C. P. A deep adaptive framework for robust myoelectric hand movement prediction / Carl Peter Robinson, Baihua Li, Qinggang Meng, Matthew T.G. Pain // 2nd UK-RAS robotics and autonomous systems conference. - Loughborough, 2019. - P. 1-4.

22. De Luca, C.J. The use of surface electromyography in biomechanics / C.J. De Luca // Journal of Applied Biomechanics. - 1997. -№13. - P. 135-163.

23. Problems of bioelectric control / A. Kobrinski, S. Bolkovitin, L. Voskoboinikova [et all.] // Automatic and Remote Control : proc. 1st IFAC Int. Congress. - 1960. - Vol. 2. - P. 619.

24. Atzori, M. Control capabilities of myoelectric robotic prostheses by hand amputees: a scientific research and market overview / M. Atzori, H. Müller. -https://doi.org/10.3389/fnsys.2015.00162 // Frontiers in systems neuroscience. - 2015. -Vol. 9. - P. 162.

25. Cordella, F. Literature review on needs of upper limb prosthesis users / Francesca Cordella, Anna Lisa Ciancio, Rinaldo Sacchetti [et all.]. -https://doi.org/10.3389/fnins.2016.00209 // Frontiers in neuroscience. - 2016. - Vol. 10. - P. 209.

26. Patil, P. G. The development of brain-machine interface neuroprosthetic devices / P. G. Patil, D. A. Turner // Neurotherapeutics. - 2008. - Vol. 5, no.1. -P. 137-146.

27. Marieb, E. N. Human Anatomy & Physiology / Elaine Nicpon Marieb, Katja Hoehn. - San Francisco : Pearson Benjamin Cummings, 2007. - 1159 p.

28. Velandia, N. S. CNN architecture for robotic arm control in a 3D virtual environment by means of by means of EMG signals / N. S. Velandia, R. J. Moreno, R. D. Hernández. - https://doi.org/10.12988/ces.2017.711162 // Contemporary Engineering Sciences. - 2017. - Vol. 10, no. 28. - P. 1377-1390.

29. Moore, K. L. Clinically oriented anatomy / K. L. Moore, A. F. Dalley. -Wolters Kluwer : Pvt Ltd, 2018. - 1480 p.

30. Casadei, K. Triceps tendon injuries / K. Casadei, J. Kiel, M. Freidl // Current sports medicine reports. - 2020. - Vol. 19, no. 9. - P. 367-372.

31. Lung, B. E. Anatomy, shoulder and upper limb, hand flexor digitorum profundus muscle / B. E. Lung, B. Burns // StatPearls [Internet]. - StatPearls Publishing, 2020.

32. Akhmadeev, K. Probabilistic models based on EMG decomposition for prosthetic control / K Akhmadeev. - URL: https://www.researchgate.net/publication/338140509_Probabilistic_models_based_on_ EMG_decomposition_for_prosthetic_control (date accessed: 29.06.2022).

33. Widmaier, E. P. Vander's human physiology / E. P. Widmaier, H. Raff, K. T. Strang. - New York, NY : McGraw-Hill, 2006. - Т. 5.

34. Рябчевский, В. О. Разработка электрической модели мышечной ткани и устройства регистрации биопотенциалов // В. О. Рябчевский, Г. В. Никонова, А. А. Кабанов / Динамика систем, механизмов и машин. - 2019. - Т. 7, № 2. -С.148-154.

35. Intention detection of gait initiation using EMG and kinematic data / E. C. Wentink, S. I. Beijen, H. J. Hermens, J. S. Rietman, P. H. Veltink. -https://doi.org/10.1016/j.gaitpost.2012.07.013 // Gait & posture. - 2013. - Vol. 37, no. 2. - P. 223-228.

36. Kabanov, A. A. Development of a Wearable Inertial System for Motor Epileptic Seizure Detection / A. A. Kabanov; A. I. Shchelkanov. - DOI: 10.1109/APEIE.2018.8546292 // 2018 XIV International Scientific-Technical Conference on Actual Problems of Electronics Instrument Engineering (APEIE). -IEEE, 2018.

37. Filtering the surface EMG signal: Movement artifact and baseline noise contamination / C. J. De Luca, L. Donald Gilmore, M. Kuznetsov, S. H. Roy. -https://doi.org/10.1016/jjbiomech.2010.01.027 // Journal of biomechanics. - 2010. -Vol. 43, no. 8. - P. 1573-1579.

38. Control of upper limb prostheses: Terminology and proportional myoelectric control-A review / Anders Fougner, 0yvind Stavdahl, Peter J. Kyberd, Yves G. Losier, Philip A. Parker. - DOI: 10.1109/TNSRE.2012.2196711 // IEEE Transactions on neural systems and rehabilitation engineering. - 2012. - Vol. 20, no. 5. - P. 663-677.

39. SENIAM : website. - URL: http://www.seniam.org/ (date accessed: 30.06.2022).

40. Classification of simultaneous movements using surface EMG pattern recognition / A. Young, L. Smith, E. Rouse, L. Hargrove // IEEE Transactions on Biomedical Engineering. - 2012. - Vol. 60, no. 5. - P. 1250-1258.

41. Linear and nonlinear regression techniques for simultaneous and proportional myoelectric control / J. M. Hahne, F. Biessmann, N. Jiang [et all.] // IEEE Transactions on Neural Systems and Rehabilitation Engineering. - 2014. - Vol. 22, no. 2. - P. 269-279.

42. Phinyomark, A. N. Feature extraction and selection for myoelectric control based on wearable EMG sensors / A. N. Phinyomark, R. Khushaba, E. Scheme. -https://doi.org/10.3390/s18051615 // Sensors. - 2018. - Vol. 18, no. 5. - P. 1615.

43. Тарасенко Ф.П. Прикладной системный анализ (Наука и искусство решения проблем): Учебник. / Ф.П. Тарасенко - М: КНОРУС - 2017. - 322с.

44. Квейд Э. Анализ сложных систем: [пер. с англ.] / Э. Квейд; под ред. И. И. Андреева, И. М. Верещагина. - М., Советское радио, 1969, 520 с.

45. Lasch, P. Spectral pre-processing for biomedical vibrational spectroscopy and microspectroscopic imaging / P. Lasch. -https://doi.org/10.1016/j.chemolab.2012.03.011 // Chemometrics and Intelligent Laboratory Systems. - 2012. - Vol. 117. - P. 100-114.

46. Rencberoglu, E. Fundamental techniques of feature engineering for machine learning / Emre Ren5beroglu // Towards Data Science. - URL: https://medium.com/towards-data-science/search?q=Fundamental%20techniques% 20of%20feature%20engineering%20for%20machine%20learning (date accessed: 30.06.2022).

47. EMG-based gestures classification using a mixed-signal neuromorphic processing system / Yongqiang Ma, Badong Chen, Pengju Ren [et all.]. - DOI: 10.1109/JETCAS.2020.3037951 // IEEE Journal on Emerging and Selected Topics in Circuits and Systems. - 2020. - Vol. 10, no. 4. - P. 578-587.

48. Halaki, M. Normalization of EMG signals: to normalize or not to normalize and what to normalize to? / M. Halaki, K. Ginn // Computational intelligence in

electromyography analysis-a perspective on current applications and future challenges.

- 2012. - P. 175-194.

49. Burden, A. How should we normalize electromyograms obtained from healthy participants? What we have learned from over 25 years of research / A. Burden.

- https://doi.org/10.1016/j.jelekin.2010.07.004 // Journal of electromyography and kinesiology. - 2010. - Vol. 20, №. 6. - P. 1023-1035.

50. Харт Х. Введение в измерительную технику: [пер. с нем.] / Х. Харт пер. М.М. Гельмана - М.: Мир, 1999. - 391 с.

51. Zhang, Z. A Novel Surface Electromyographic Signal-Based Hand Gesture Prediction Using a Recurrent Neural Network / Zhen Zhang, Changxin He, Kuo Yang.

- doi:10.3390/s20143994 // Sensors. - 2020. - Vol. 20. - P. 3994.

52. Shuhao, Qia sEMG-based recognition of composite motion with convolutional neural network / Shuhao Qia Xingming Wua Wei-Hai Chen [et all.]. -https://doi.org/10.1016/j.sna.2020.112046 // Sensors and Actuators A: Physical. - 2020. -Vol. 311. - P. 112046.

53. Nielsen, Johnny L. G. Simultaneous and Proportional Force Estimation for Multifunction Myoelectric Prostheses Using Mirrored Bilateral Training / Johnny L. G. Nielsen, Steffen Holmgaard, Ning Jiang [et all.]. - DOI: 10.1109/TBME.2010.2068298 // IEEE Transactions on Biomedical Engineering. - 2011. - Vol. 58, no. 3. -P. 681-688.

54. Orosso, Eugenio Bispectrum-based features classification for myoelectric control / Eugenio Orosso, Natalia M. Lopez, Fernando di Sciascio. - DOI: 10.1016/j.bspc.2012.08.008 // Biomedical signal processing and control. - 2013. - Vol. 8(2), - P.153-168.

55. Rejer, I. Genetic Algorithms in EEG Feature Selection for the Classification of Movements of the Left and Right Hand / I. Rejer. -https://doi.org/10.1007/978-3-319-00969-8_57 // Proceedings of the 8th International Conference on Computer Recognition Systems CORES 2013. Advances in Intelligent Systems and Computing. - 2013. - Vol. 226. - P. 579-589.

56. Hudgins, B. A new strategy for multifunction myoelectric control / B. Hudgins, P. Parker, R. N. Scott // IEEE transactions on biomedical engineering. -1993. - Vol. 40, no. 1. - P. 82-94.

57. Phinyomark, A. Application of wavelet analysis in EMG feature extraction for pattern classification / A. Phinyomark, C. Limsaku, P. Phukpattaranont // Measurement Science Review. - 2011. - Vol. 11, no. 2. - P. 45.

58. The Usefulness of Mean and Median Frequencies in Electromyography Analysis / Angkoon Phinyomark, Sirinee Thongpanja, Huosheng Hu, Pornchai Phukpattaranont, Chusak Limsakul. - http://dx.doi.org/10.5772/50639 // Computational Intelligence in Electromyography Analysis -A Perspective on Current Applications and Future Challenges. - 2012. - P. 195-220.

59. Phinyomark, A. Feature reduction and selection for EMG signal classification / A. Phinyomark, P. Phukpattaranont, C. Limsakul. -https://doi.org/10.1016Zj.eswa.2012.01.102 // Expert systems with applications. - 2012. - Vol. 39, no. 8. - P. 7420-7431.

60. Improving the Performance Against Force Variation of EMG Controlled Multifunctional Upper-Limb Prostheses for Transradial Amputees / Ali H. Al-Timemy; Rami N. Khushaba; Guido Bugmann; Javier Escudero. - DOI: 10.1109/TNSRE.2015.2445634 // IEEE Transactions on Neural Systems and Rehabilitation Engineering. - 2016. - Vol. 24, no. 6. - P. 650-661.

61. Phinyomark, A. A Novel Feature Extraction for Robust EMG Pattern Recognition / Angkoon Phinyomark, Chusak Limsakul, Pornchai Phukpattaranont // Journal of Computing. - 2009. - Vol. 1, no. 1. - P. 71-80.

62. Khushaba, Rami N. Orthogonal Fuzzy Neighborhood Discriminant Analysis for Multifunction Myoelectric Hand Control / Rami N. Khushaba, Ahmed Al-Ani, Adel Al-Jumaily. - DOI:10.1109/TBME.2009.2039480 // IEEE transactions on bio-medical engineering. - 2010. - Vol. 57, no. 6. - P. 1410-1419.

63. Towards limb position invariant myoelectric pattern recognition using time-dependent spectral features / Rami N. Khushaba, Maen Takruri, Jaime Valls

Miroa, Sarath Kodagoda. - https://doi.org/10.1016/j.neunet.2014.03.010 // Neural Networks. - 2014. - Vol. 55. - P. 42-58.

64. Phinyomark, A. Feature Extraction and Selection for Myoelectric Control Based on Wearable EMG Sensors / Angkoon Phinyomark, Rami N. Khushaba, Erik Scheme. - D0I:10.3390/s18051615 // Sensors. - 2018. - Vol. 18, no. 5. - P. 1615.

65. Feature extraction and reduction of wavelet transform coefficients for EMG pattern classification / A. Phinyomark, A. Nuidod, P. Phukpattaranont, C. Limsakul -DOI: https://doi.org/10.5755/j01.eee.122.6.1816 // Elektronika ir Elektrotechnika. -2012. - Vol. 122, no. 6. - P. 27-32.

66. Блаттер, К. Вейвлет-анализ. Основы теории : моногр. / К. Блаттер ; пер. с нем. Т. Э. Кренкеля ; под ред. А. Г. Кюркчана. - Москва : Техносфера, 2006. - 271 с. - ISBN 5-94836-033-4.

67. Дворников, С. В. Параметрическая мимикрия сигналов, модулированных колебаниями и сформированных в различных функциональных базисах / С. В. Дворников, С. С. Манаенко, С. С. Дворников // Информационные технологии. - 2015. - Т. 21, № 4. - С. 259-263.

68. Кухаренко, Б. Г. Использование метода Прони для оценки временного масштаба при обнаружении паттернов во временных рядах / Б. Г. Кухаренко, Д. И. Пономарев // Информационные технологии. - 2012. - № 1. - С. 37-41.

69. Метод частотно-временного анализа совместных измерений ЭЭГ, ЭМГ и механического тремора при болезни Паркинсона / О. С. Сушкова, А. В. Габова, А. В. Карабанов, И. А. Кершнер, К. Ю. Обухов, Ю. В. Обухов // Нелинейный мир. - 2015. - Т. 13, № 2. - С. 49-51.

70. Merry, R. J. E. Wavelet theory and applications : a literature study / R. J. E. Merry. - Eindhoven : Technische Universiteit Eindhoven, 2005. - 41 p.

71. Чуи, Ч. Введение в вейвлеты / Ч. Чуи ; пер. с анг. Я. М. Жилейкина. -Москва : Мир, 2001. - 412 с. - ISBN 10: 5030033971.

72. Использование вейвлет преобразования для анализа поверхностной ЭМГ / С. Ю. Кузнецов [и др.] // Физиология мышечной деятельности. - URL: http://phmag. imbp. ru/articles/Kuznetcov. pdf (дата обращения: 09.12. 2021).

73. Kabanov, A. A. Informative components from biophysical signals selection method based on discrete wavelet-conversion / A. A. Kabanov. - DOI: 10.1109 / SIBCON.2019.8729570 // 2019 International Siberian Conference on Control and Communications (SIBCON). - IEEE, 2019. - C. 1-4.

74. Molina, L. C. Feature Selection Algorithms: A Survey And Experimental Evaluation / L. C. Molina, L. Belanche, A. Nebot. - DOI: 10.1109/ICDM.2002.1183917 // 2002 IEEE International Conference on Data Mining. -IEEE, 2002. - P. 306-313.

75. Dash, M. Feature Selection for Classification / M. Dash, H. Liu // Intelligent Data Analysis. - 1997. - Vol. 1. - P. 131-156.

76. Gokgoz, E. Effect of multiscale PCA de-noising on EMG signal classification for diagnosis of neuromuscular disorders / E. Gokgoz, A. Subasi. - DOI https://doi.org/10.1007/s10916-014-0031-3 // Journal of medical systems. - 2014. -Vol. 38. - P. 1-10.

77. Geethanjali, P. Comparative study of PCA in classification of multichannel EMG signals / P. Geethanjali. - https://doi.org/10.1007/s13246-015-0343-8 // Australasian physical & engineering sciences in medicine. - 2015. - Vol. 38. -P. 331-343.

78. An empirical study for pca-and lda-based feature reduction for gas identification / M. A. Akbar, A. A. S. Ali, A. Amira [et all.]. - DOI: 10.1109/JSEN.2016.2565721 // IEEE Sensors Journal. - 2016. - Vol. 16, no. 14. -P. 5734-5746.

79. Performances enhancement of fingerprint recognition system using classifiers / K. Noor, T. Jan, M. Basheri [et all.]. - DOI: 10.1109/ACCESS.2018.2879272 // IEEE Access. - 2018. - Vol. 7. - P. 5760-5768.

80. Uncorrelated linear discriminant analysis (ULDA): A powerful tool for exploration of metabolomics data / D. Yuan, Y. Liang, L. Yi [et all.]. -https://doi.org/10.1016/j.chemolab.2008.04.005 // Chemometrics and Intelligent Laboratory Systems. - 2008. - Vol. 93, no. 1. - P. 70-79.

81. Intelligent EMG pattern recognition control method for upper-limb multifunctional prostheses: advances, current challenges, and future prospects / O. W. Samuel, M. G. Asogbon, Y. Geng [et all.]. - DOI: 10.1109/ACCESS.2019.2891350 // IEEE Access. - 2019. - Vol. 7. - P. 10150-10165.

82. Ryabchevsky, V. O. Development of muscular tissue electrical analog and designing the device for biopotential registration / V. O. Ryabchevsky, G. V. Nikonova, A. A. Kabanov. - DOI: 10.1088/1742-6596/1441/1/012077 // Journal of Physics: Conference Series. - 2020. - Vol. 1441. - Р. 012077-1- 012077-9.

83. A Review of Classification Techniques of EMG Signals during Isotonic and Isometric Contractions / N. Nazmi, M. Abdul Rahman, S.-I. Yamamoto [et all.]. -https://doi.org/10.3390/s16081304 // Sensors. - 2016. - Vol. 16, no. 8. - P. 1304.

84. Кабанов, А. А. Разработка схемы аналоговой фильтрации сигнала электромиографии / А. А. Кабанов. - DOI: 10.25206/1813-8225-2018-161-135-138 // Омский научный вестник. - 2018. - № 5(161). - С. 135-138.

85. Phinyomark, A. Feature extraction and selection for myoelectric control based on wearable EMG sensors / A. Phinyomark, R. N. Khushaba, E. Scheme. -https://doi.org/10.3390/s18051615 // Sensors. - 2018. - Vol. 18, no. 5. - P. 1615.

86. Atzori, M. Building the Ninapro database: A resource for the biorobotics community / M. Atzori, A. Gijsberts, S. Heynen [et all.]. - DOI: 10.1109 / BioRob.2012.6290287 // 2012 4th IEEE RAS & EMBS International Conference on Biomedical Robotics and Biomechatronics (BioRob). - IEEE, 2012. - P. 1258-1265.

87. Electromyography data for non-invasive naturally-controlled robotic hand prostheses / M. Atzori, A. Gijsberts, C. Castellini [et all.]. -https://doi.org/10.1038/sdata.2014.53 // Scientific data. - 2014. - Vol. 1, no. 1. -P. 1-13.

88. Welcome to Ninaweb | Ninaweb. - URL: http://ninaweb.hevs.ch (date accessed: 30.06.2022).

89. NORTH. - URL: https://www.bynorth.com/ (date accessed: 30.06.2022).

90. 24 DOF EMG controlled hybrid actuated prosthetic hand / A. Atasoy, E. Kaya, E. Toptas [et all.]. - DOI: 10.1109 / EMBC.2016.7591864 // 2016 38th Annual

International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC). - IEEE, 2016. - P. 5059-5062.

91. Gonzalo, P. J. Control of home devices based on hand gestures / P. J. Gonzalo, A. H. T. Juan // 2015 IEEE 5th International Conference on Consumer Electronics-Berlin (ICCE-Berlin). - IEEE, 2015. - P. 510-514.

92. Augmented reality eyeglasses for promoting home-based rehabilitation for children with cerebral palsy / C. Munroe, Y. Meng, H. Yanco, M. Begum // 2016 11th ACM/IEEE International Conference on Human-Robot Interaction (HRI). - IEEE, 2016. - P. 565-565.

93. Sathiyanarayanan, M. MYO Armband for physiotherapy healthcare: A case study using gesture recognition application / M. Sathiyanarayanan, S. Rajan // 2016 8th International Conference on Communication Systems and Networks (COMSNETS). -IEEE, 2016. - P. 1-6.

94. Gokgoz, E. Comparison of decision tree algorithms for EMG signal classification using DWT / E. Gokgoz, A. Subasi // Biomedical Signal Processing and Control. - 2015. - Vol. 18. - P. 138-144.

95. Huang, Y. A Gaussian mixture model based classification scheme for myoelectric control of powered upper limb prostheses / Yonghong Huang, K. B. Englehart, B. Hudgins, A. D. C. Chan // IEEE Transactions on Biomedical Engineering. - 2005. - Vol. 52. - P. 1801-1811.

96. Classification of EMG signals using artificial neural networks for virtual hand prosthesis control / Fernando ER Mattioli, Edgard A. Lamounier, Alexandre Cardoso, Alcimar B. Soares, Adriano O. Andrade. - DOI: 10.1109 / IEMBS.2011.6091833 // 2011 Annual International Conference of the IEEE Engineering in Medicine and Biology Society. - IEEE, 2011. - P. 7254-7257.

97. Люгер, Д. Ф. Искусственный интеллект: стратегии и методы решения сложных проблем / Джордж Ф. Люгер. - 4-е изд. - Москва : Вильямс, 2003. -864 с. - ISBN 5-8459-0437-4.

98. Oskoei, M. A. Support vector machine-based classification scheme for myoelectric control applied to upper limb / M. A. Oskoei, H. Hu // IEEE transactions on biomedical engineering. - 2008. - Vol. 55, no. 8. - P. 1956-1965.

99. Alkan, A. Identification of EMG signals using discriminant analysis and SVM classifier / A. Alkan, M. Günay // Expert systems with Applications. - 2012. -Vol. 39, no. 1. - P. 44-47.

100. Multiple binary classifications via linear discriminant analysis for improved controllability of a powered prosthesis / L. J. Hargrove, E. J. Scheme, K. B. Englehart, B. S. Hudgins // IEEE Transactions on Neural Systems and Rehabilitation Engineering. - 2010. - Vol. 18, no. 1. - P. 49-57.

101. Arlot, S. A survey of cross-validation procedures for model selection / S. Arlot, A. Celisse. - DOI: 10.1214/09-SS054 // Statistics Surveys. - 2010. - Vol. 4. -P. 40-79.

102. Payam, R. Cross-validation / R. Payam, T. Lei, L. Huan // Encyclopedia of database systems. - 2009. - Vol. 25. - P. 532-538.

103. Pedregosa, F. Scikit-learn: Machine learning in Python / F. Pedregosa, G. Varoquaux, A. Gramfort [et all.] // Journal of machine Learning research. - 2011. -Vol. 12. - P. 2825-2830.

104. Algorithms for hyper-parameter optimization / James Bergstra, Rémi Bardenet, Yoshua Bengio, Balázs Kégl // Advances in neural information processing systems. - 2011. - Vol. 24. - P. 1-9.

105. Bergstra, J. Random search for hyper-parameter optimization / J. Bergstra, Y. Bengio // Journal of machine learning research. - 2012. - Vol. 13, no. 2. -P. 281-305.

106. Lee, E. An Intro to Hyper-parameter Optimization using Grid Search and Random Search / E. Lee. - 2019. - URL: https://medium.com/@cjl2fv/an-intro-to-hyper-parameter-optimization-using-grid-search-and-random-search-d73b9834ca0a (date accessed: 30.06.2022).

107. Basic evaluation measures from the confusion matrix. Classifier evaluation with imbalanced datasets 2015. - URL: https://classeval.wordpress.com/introduction/ basic-evaluation-measures/ (дата обращения: 08.02.2022).

108. Корн Г. Справочник по математике для научных работников и инженеров: [пер. с англ.] / Г. Корн, Т. Корн; под ред. И. Г. Арамановича - М.: Наука, 1968. - 720 с.

109. Воронцов, К. В. Математические методы обучения по прецедентам (теория обучения машин) / К. В. Воронцов. - 141 c. - URL: http://www.machinelearning.ru/wiki/images/6/6d/Voron-ML-1.pdf (дата обращения: 07.05.2021).

110. Falih, A. D. I. Classification of EMG signals from forearm muscles as automatic control using Naive Bayes / A. D. I. Falih, W. A. Dharma, S. Sumpeno. -DOI: 10.1109 / ISITIA.2017.8124107 // 2017 International Seminar on Intelligent Technology and Its Applications (ISITIA). - IEEE, 2017. - P. 346-351.

111. Pamungkas, D. S. Comparison EMG Pattern Recognition Using Bayes and NN Methods / D. S. Pamungkas, I. Simatupang. - DOI: 10.1109/MECnIT48290.2020.9166666 // 2020 3rd International Conference on Mechanical, Electronics, Computer, and Industrial Technology (MECnIT). - IEEE, 2020. - P. 1-4.

112. Орешков, В. Классификация данных методом k-ближайших соседей / В. Орешков. - URL: https://loginom.ru/blog/knn (дата обращения: 07.05.2021).

113. An optimal algorithm for approximate nearest neighbor searching fixed dimensions / S Arya, David M. Mount, Nathan S. Netanyahu [et all.] //Journal of the ACM (JACM). - 1998. - Vol. 45, no. 6. - P. 891-923.

114. Al-Faiz, M. Z. A k-nearest neighbor based algorithm for human arm movements recognition using EMG signals / M. Z. Al-Faiz, Ali A. A., Miry A. H. // 2010 1st International Conference on Energy, Power and Control (EPC-IQ). - IEEE, 2010. - P. 159-167.

115. Синицин, Ф. Решающие деревья / Ф. Синицин. - URL: https://ml-handbook.ru/chapters/decision_tree/intro (дата обращения: 07.05.2021).

116. Quinlan, J. R. C4.5: programs for machine learning / J. R. Quinlan. - San Mateo : Elsevier, 2014. - 301 p.

117. Gokgoz, E. Comparison of decision tree algorithms for EMG signal classification using DWT / Ercan Gokgoz, Abdulhamit Subasi. -https://doi.org/10.1016/j.bspc.2014.12.005 // Biomedical Signal Processing and Control. - 2015. - Vol. 18. - P. 138-144.

118. Toledo-Perez, D.C. Support vector machine-based EMG signal classification Technics: A review / Diana C. Toledo-Perez, Juvenal Rodriguez-Resendiz, Roberto A. Gomez-Loenzo, J.C. Jauregui-Correa. -https://doi.org/10.3390/app9204402 // Applied sciences. - 2019. - Vol. 9(20). - P. 4402.

119. Machine learning techniques for brain-computer interfaces / K. R. Muller, M. Krauledat, G. Dornhege [et all.] // Biomedical Technologies. - 2004. - Vol. 49. -P. 11-22.

120. Kabanov, A. A. Application of Support Vector Machines to the Multiclass Classification Electromyography Signal Patterns / A. A. Kabanov. - DOI: 10.1109 / APEIE52976.2021.9647434 // 2021 XV International Scientific-Technical Conference on Actual Problems оf Electronic Instrument Engineering (APEIE). - IEEE, 2021. -P. 92-95.

121. Воронцов, К. В. Лекции по алгоритмическим композициям : электронные лекции / К. В. Воронцов (7 окт. 2012 г.). - URL: http://www.machinelearning.ru/wiki/images/0/0d/VoronML-Compositions.pdf (дата обращения: 17.10.2018).

122. Шунина, Ю. С. Прогнозирование платежеспособности клиентов банка на основе методов машинного обучения и марковских цепей / Ю. С. Шунина, В. Н. Клячкин // Программные продукты и системы. - 2016. - № 2. - С. 105-112.

123. Дорогов, А. Ю. Нейросетевая классификация в неоднородном признаковом пространстве / А. Ю. Дорогов, В. Ю. Лесных, М. Ю. Шестопалов // Нейрокомпьютеры: разработка, применение. - 2010. - № 4. - С. 20-33.

124. Breiman, L. Bagging predictors / Leo Breiman // Machine learning. -1996. - Vol. 24(2). - P. 123-140.

125. Sahu, A. Image denoising with a multi-phase kernel principal component approach and an ensemble version / A. Sahu, G. Runger, D. Apley. - DOI: 10.1109/AIPR.2011.6176339 // 2011 IEEE applied imagery pattern recognition workshop (AIPR). - IEEE, 2011. - P. 1-7.

126. Preimages for variation patterns from kernel PCA and bagging / A. Shinde, A. Sahu, D. Apley, G. Runger // IIE Transactions. - 2014. - Vol. 46(5). - P. 429-456.

127. Freund Y., Schapire R. E. A decision-theoretic generalization of on-line learning and an application to boosting / Y. Freund, R. E. Schapire // Journal of computer and system sciences. - 1997. - Vol. 55, №. 1. - P. 119-139.

128. ГОСТ Р 8.883-2015 Программное обеспечение средств измерений. Алгоритмы обработки, хранения, защиты и передачи измерительной информации. Методы испытаний. - М.: Стандартинформ, 2015. - 44 с.

129. ГОСТ Р 8.654-2015 Требования к программному обеспечению средств измерений. Основные положения. - М.: Стандартинформ, 2015. - 23 с.

ПРИЛОЖЕНИЕ А. АКТЫ ВНЕДРЕНИЯ И ИСПОЛЬЗОВАНИЯ РЕЗУЛЬТАТОВ

ИССЛЕДОВАНИЯ

ООО «Электроимнсдаисная визуализация»

Алрес: г. Томск. Московский тракт, д. 6/4. КВ. 46

Тел. [phone]

E-mail: cit [e-mail]

ИНН 7017462246

ОГРН 1197031059928

АКТ

об использовании результатов диссертации Кабанова Артемия Андреевича представленной на соискание ученой степени кандидата технических наук по специальности 2.3.1 - Системный анализ, управление и обработка информации, в научно-исследовательской лаборатории ООО «Электроимпедансная

визуализация».

Комиссия в составе: председателя Королюк Е.С, директор ООО «Электроимпедансная визуализация»; Плотников Е.В., эксперт, к.х.н.; Толмачева И.В., ведущий научный сотрудник, к.м.н.; Солдатов A.A., научный сотрудник, к.т.н - составили настоящий акт о том, что следующие результаты диссертационной работы Кабанова A.A.:

- алгоритм классификации тестируемых веществ, основанный на использовании базовых и ансамблевых методов машинного обучения, не зависящий от параметров входного сигнала;

- алгоритм реструктуризации обучающего набора данных, основанный на выделении и использовании пространств признаков в временной области, частотной области и частотно-временной области, с применением методов уменьшения размерности.

Данные используются при анализе результатов и исследовании

антиоксидантных свойств веществ путем вольтамперометрического

определения антирадикальной активности объектов искусственного и

природного происхождения в отношении активных радиювТов ^истйэдода.

Определение антирадикалыюй активности веществ /аключа ¿г >Ьцеш<у

•ЭШТиииМПЕДАНСНАя]

антирадикалыюй активности но степени повреждения саЖооргадщу^ще1 ося

монослоя алкантиолов на индикаторном электроде, которое происходит под воздействием генерируемых ОН-радикапов в присутствии и отсутствие тестируемых веществ путем вольтамисрометрической оценки аналитического сигнала в трехэлектродной электрохимической ячейке. Способ и алгоритм классификации тестируемых веществ основан на использовании базовых и ансамблевых методов машинного обучения, не зависящий от параметров входного сигнала, что в совокупности с алгоритмом реструктуризации обучающего набора данных, основанный на выделении и использовании пространств признаков в временной области, частотной области и частотно-временной области и методами уменьшения размерности позволил наиболее полно представить информацию в форме характерного признака, что в результате способствовало повышению точности классификации антирадикальной активности веществ.

«15» августа 2022 г.

Председатель:

Генеральный директор

ООО «Электроимпедансная виуализация»,

Королюк Е.С.

Члены:

1. Эксперт, к.х.н.

Плотников Е.В.

/

2. Ведущий научный сотрудник, к.

3. Научный сотрудник, к.г.н.

Солдатов А.А.

«15» августа 2022 г.

Федеральное государственное автономное образовательное учреждение

высшего образования «Омский государственный технический университет» Кафедра «Автоматизированные системы обработки информации и

управления»

от « $/ » _202 _ г.

г. Омск

Об использовании результатов научных исследований и разработок в учебном процессе

АКТ ВНЕДРЕНИЯ

Основание: научные исследования, выполненные аспирантом кафедры «Автоматизированные системы обработки информации и управления» (АСОИУ) Кабановым A.A.

Составлен комиссией в составе:

Никонов A.B. - зав. кафедрой АСОИУ, председатель комиссии; Цыганенко В.Н. - доцент кафедры АСОИУ; Малков О.Б. - доцент кафедры АСОИУ.

1. Теоретические разработки Кабанова A.A., опубликованные в статьях:

Кабанов A.A. Разработка схемы аналоговой фильтрации сигнала электромиографии // Омский научный вестник. 2018. № 5 (161). С. 135-138.

Кабанов A.A. Исследование методов машинного обучения в задаче классификации паттернов сигналов электромиографии на основе «сырых» данных // Автоматизация в промышленности. 2022. № 3.

Ryabchevsky V.O., Nikonova G.V., Kabanov A.A. Development of muscular tissue electrical analog and designing the device for biopotential registration // Journal of Physics: Conference Series, 2020, vol. 1441.P. 012077.

Kabanov A.A., Nikonova G.V., Development of analog filtering circuit for electromyography signals // Proceedings 2019 Ural Symposium on Biomedical Engineering, Radioelectronics and Information Technology (USBEREIT).

Kabanov A.A. Informative Components from Biophysical Signals Selection Method Based on Discrete Wavelet-Conversion // 2019 International Siberian Conference on Control and Communications (SIBCON).

Kabanov A.A., Nikonova G.V. Gesture recognition system based on electromyography signals // Journal of Physics: Conference Series, 2020, vol. 1791. P.012100.

Kabanov A.A., Nikonova G.V., Shchapova L.V. Experimental Studies for Determining the Optimal Method of Measuring Biophysical Signals // Journal of Physics: Conference Series, 2020, vol. 1546. P.012017.

Kabanov A.A. Application of Support Vector Machines to the Multiclass Classification Electromyography Signal Patterns // Proceedings of the 2021 15th International Scientific-Technical Conference on Actual Problems of Electronic Instrument Engineering, APEIE 2021, 2021, P. 92-95.

Kabanov A.A., Shchelkanov A.I. Development of a wearable inertial system for motor epileptic seizure detection // Proceedings of the 2018 14th International Scientific-Technical Conference on Actual Problems of Electronic Instrument Engineering, APEIE 2018, 2018, vol. 8, P. 339-342.

Кабанов A.A. Разработка системы классификации жестов руки на основе сигналов электромиографии // Омский научный вестник. 2021. № 3 (177). С. 79-84.

Кабанов А.А. Исследования по определению сигналов управления антропоморфными протезами // А.А. Кабанов, Г.В. Никонова, JI.B Щапова / Приборы и методы измерений, контроля качества и диагностики в промышленности и на транспорте. Материалы VI ВНТК с межд. Участием, ОмГУПС. Омск, 2020. С. 270-279.

Рябчевский В.О. Разработка электрической модели мышечной ткани и устройства регистрации биопотенциалов В.О. Рябчевский, Г.В. Никонова, А.А. Кабанов / Динамика систем, механизмов и машин. 2019. Т. 7. № 2. С. 148154.

Кабанов А.А. Цифровая обработка электромиографических сигналов в среде LABVIEW // А.А. Кабанов, А.И. Щелканов, Н.В. Пашкова / Приборы и методы измерений, контроля качества и диагностики в промышленности и на транспорте. Материалы III ВНТК с межд. Участием, ОмГУПС. Омск, 2018. С. 319-323.

Кабанов A.A. Моделирование и обработка биофизических сигналов // A.A. Кабанов, А.И. Щелканов / Актуальные проблемы современной науки. Материалы VII Региональной научно-практической конференции с международным участием. ОмГТУ. 2018. С. 85-87.

Свидетельство № 2020615208 Российская Федерация. Программа для сбора и обработки биофизических сигналов / Кабанов A.A. Никонова Г.В. - № 2020614254; заяв. 15.05.2020; опубл. 19.05.2020.

Свидетельство № 2020663837 Российская Федерация. Программа обработки данных на основе структурного программирования / Степанов П.П., Никонова Г.В., Кабанов A.A., Павлюченко Т.С. - № 2020663294; заяв.

03.11.2020; опубл. 03.11.2020.

Свидетельство № 2021616766 Российская Федерация. Программа для классификации жестов на основе сигналов электромиографии / Кабанов A.A. - № 2021616011; заяв. 27.04.2021; опубл. 27.04.2021.

Свидетельство № 2021663984 Российская Федерация. Программа для классификации паттернов сигналов электромиографии на основе машины опорных векторов / Кабанов A.A. - № 2021663331; заяв. 27.08.2021; опубл. 27.08.2021.

Свидетельство № 2022664167 Российская Федерация. Программа для модификации пространства признаков паттернов сигналов электромиографии / Сак П.В., Кабанов A.A. - № 2022663530; заяв. 20.07.2022; опубл. 26.07.2022.

Свидетельство № 2022664728 Российская Федерация. Программа для классификации паттернов сигналов электромиографии на основе методов машинного обучения / Сак П.В., Кабанов A.A. - № 2022663769; заяв. 20.07.2022; опубл. 04.08.2022,

используются в следующих учебных дисциплинах кафедры АСОИУ:

- «Основы теории управления (системный анализ, теория принятия решений, теория эффективности)»;

- «Интеллектуальные информационные системы»;

- «Информационные технологии»;

- «Методы и средства цифровой обработки сигналов»;

- «Информационные технологии анализа данных», а также при руководстве курсовым и дипломным проектированием, и научно-исследовательской деятельностью студентов.

2. В основе учебно-методических разработок, используемых в перечисленных

учебных дисциплинах кафедры АСОИУ, лежат следующие научные

результаты исследований Кабанова А.А.:

- метод обогащения признакового пространства, позволяющий сформировать вектора характерных признаков на основе функций временной, частотной и частотно-временной областей. Совместно с методами уменьшения размерности, дает возможность наиболее полно представить информацию в виде характерного признака, что в результате способствует

повышению точности классификации;

- разработанные способы классификации данных, основанные на базовых и ансамблевых методах машинного обучения, позволяющие повысить качество классификации данных, полученных из информационных сигналов, и дающие возможность повысить точность распознавания параметров объектов и эффективность управления;

- программный комплекс, позволяющий проводить анализ данных, предобработку и классификацию. Комплекс обеспечивает автоматизацию исследований при обработке данных. В его состав входят блоки чтения и анализа данных, обогащения признакового пространства, классификации данных и оценки классификатора. Комплекс позволяет вести обработку данных систем мониторинга объектов.

Председатель комиссии

Члены комиссии

В.Н. Цыганенко

О.Б. Малков

Федеральное государственное бюджетное образовательное учреждение высшего образования

Санкт-Петербургский государственный лесотехнический университет им. С.М. Кирова Кафедра «Информационных систем и технологий»

А/

V1." -Л

■д'ччЧ о± г * тф&ч

УТВЕРЖДАЮ

ектор по образовательной (Ш ДСЯте1ьности

СПбГЛТУ. Д.С-Х.Н., профессор

,. -Н.В. Беляева «' 2022 г

АКТ ВНЕДРЕНИЯ

результатов диссертационного исследования на соискание ученой степени кандидата технических наук аспиранта Омского государственного технического университета КАБАНОВА Артемия Андреевича

Комиссия в составе: председателя комиссии - Вагизова М.Р., канд. техн, наук, доцента, зав. кафедрой «Информационных систем и технологий»; членов комиссии -Заяц И.М, канд. техн. наук, профессора кафедры «Информационных систем и технологий»; Колмогоровой С.С., канд. техн, наук, доцента кафедры «Информационных систем и технологий» - составила настоящий акт о том, что результаты диссертационного исследования Кабанова A.A.:

-способы классификации данных, основанные на базовых и ансамблевых методах машинного обучения;

-система классификации данных, полученных из сигналов различной природы, на основе разработки матрицы признакового пространства;

- алгоритм анализа данных, позволяющий информационного пространства в соответствии с применением технологий искусственного интеллекта -используются в учебном процессе при проведении практических работ по дисциплинам «Технологии программирования», «Методы проектирования информационных систем», «Технологии обработки информации».

Теоретические и алгоритмические решения позволяют повысить точность, снизить аппаратную избыточность и уменьшить время вычислений, при обработке больших объемов данных.

Полученные результаты используются, в том числе, при руководстве научной деятельностью и выпускными квалификационными работами студентов с использованием наиболее значимых и перспективных технологий искусственного интеллекта.

производить коррекцию с набором условий,

лекций, лабораторных и

обствежноручную подпись П

Управление по кадрам Ч® ФГБОУ ВО «Санкт-Петербургский государственный .юеотсхиичеемш университет имени < М. Кирова»

седатель комиссии ны комиссии

/Вагизов М.Р./

А.М./ /Колмогорова С.С./

ПРИЛОЖЕНИЕ Б. СВИДЕТЕЛЬСТВА О РЕГИСТРАЦИИ ПРОГРАММ

ДЛЯ ЭВМ

ПРИЛОЖЕНИЕ В. МЕТОДИКА И РЕЗУЛЬТАТЫ ИСПЫТАНИЙ ПРОГРАММ ДЛЯ КЛАССИФИКАЦИИ ПАТТЕРНОВ СИГНАЛОВ ЭЛЕКТРОМИОГРАФИИ

(информационное)

Методика разработана на основе положений государственного стандарта ГОСТ Р 8.883-2015 «Программное обеспечение средств измерений. Алгоритмы обработки, хранения, защиты и передачи измерительной информации. Методы испытаний» [128] и государственного стандарта «ГОСТ Р 8.654-2015 Требования к программному обеспечению средств измерений. Основные положения» [129]. Стандарты устанавливают требования к влиянию ПО на метрологические характеристики и методы испытаний программного обеспечения (ПО) и его алгоритмов в сфере государственного регулирования обеспечения единства измерений.

1 Общие положения

1.1 Стандарт распространяется на методы испытаний:

- ПО средств измерений, в том числе измерительных и информационно-измерительных систем, и его алгоритмов;

- ПО автоматизированных систем, функционирующих с использованием средств измерений или компонентов измерительных систем, и его алгоритмов;

- ПО контроллеров, вычислительных блоков, не входящих в состав измерительных систем, а также технических систем и устройств с измерительными функциями, осуществляющих обработку и представление измерительной информации, и его алгоритмов;

- стандарт может быть использован при испытаниях ПО средств измерений вне сферы государственного регулирования обеспечения единства измерений.

В методике испытаний приведен перечень конкретных проверок, которые осуществлены для определения соответствия разработанного ПО и его алгоритмов при исследовании результатов диссертационной работы для установления действительных значений характеристик ПО.

1.2 В соответствии с п. 4.2 стандарта [128], так как любое ПО представляет собой совокупность алгоритмов, реализующих в том числе обработку и передачу измерительной информации, то методы испытаний алгоритмов распространяются

на ПО в целом.

Разработанная методика испытаний соответствует требованиям пп. 6.5.2 и 6.5.4 стандарта [128]. Для оценки влияния ПО и его алгоритмов на полученные метрологические характеристики использована методика испытаний стандарта «испытания с использованием моделей исходных данных, либо с применением метода генерации «эталонных» данных».

1.3 Согласно п. 6.5.4. стандарта [128], метод испытаний с использованием моделей исходных данных следует использовать для тестирования алгоритмов обработки результатов измерений. Метод позволяет оценивать возможности тестируемых алгоритмов сравнением результатов обработки ими моделей исходных данных с самими моделями, параметры которых заданы (известны).

Также, метод моделей исходных данных является разновидностью метода генерации «эталонных» данных, когда эти данные не генерируются специально разработанной программой, а программно задаются на входе испытываемого ПО. Модели исходных данных выбирают таким образом, чтобы они максимально соответствовали частной измерительной задаче, решаемой тестируемыми алгоритмами.

1.4 В соответствии с подпунктами 6.5.4.3 и 6.5.4.4 стандарта [128] в модели исходных данных могут быть включены:

- данные, полностью перекрывающие диапазон возможных значений;

- данные, близкие к наибольшим и наименьшим значениям, а также ряд промежуточных значений;

- особые значения входных переменных - точки резкого возрастания или разрыва производных, нулевые, единичные и предельно малые численные значения переменных и т. п.;

- если значения некоторой переменной зависят от значения другой переменной, то испытания проводят при особых сочетаниях этих переменных, таких, как равенство обеих переменных, малое и предельно большое их различие,

нулевые и единичные значения и т. п.

1.5 Согласно п. 6.5.8 стандарта [128] «Представление результатов оценки влияния ПО и его алгоритмов на метрологические характеристики», рассчитывают характеристики вычислительной точности алгоритмов, осуществляющих расчеты при обработке измерительной информации, например, его исполнительную характеристику или относительное отличие результатов вычислений от опорных.

Могут быть оценены и другие характеристики алгоритмов, такие, как их сложность, скорость исполнения, адекватность измерительной задаче, выбор численной схемы расчета, коэффициент обусловленности (устойчивости), область устойчивости и т. п.

2 Оценка влияния программного обеспечения и его алгоритмов на метрологические характеристики

2.1 На основании подпункта 6.5.8.2 стандарта «Исполнительная характеристика алгоритма» вычисляется по формуле:

р®=41+я), (В.1)

где ^х) - коэффициент обусловленности (устойчивости) (для устойчивых алгоритмов ^х) » 1);

т] - машинная относительная предельная погрешность (точность) вычислений (]» 10-16);

||Ду|| - норма (длина) вектора отличия тестовых результатов от опорных;

||у (эт) || - норма опорных (эталонных) результатов.

Если в процессе вычислений получено т тестовых результатов у1(тест), у2(тест), ... , ут(тест) и опорных(эталонных) У1(эт), у2(эт), ... , Ут(эт), то норма ||Ду || вычисляется по формуле

ЦЛу11 = =(у!(тест) - У^')2 + (у2(тест) - У2(эт))2 + - + (уитест) - ¿эт))2, (В.2)

норма опорных (эталонных) результатов - по формуле

\\Ау(эт) || = =(у$(эт))2 + (у2(эт))% + - + (уГ )%. (В.3)

Исполнительная характеристика показывает число потерянных цифр точности в тестируемом ПО по сравнению с опорным («эталонным»).

2.2 Согласно подпункта 6.5.8.3 стандарта, исполнительная характеристика алгоритма, определенная формулой (В.1), зависит, в частности, от величины

X ИДУ" т /14

5 = И (В4)

которая характеризует относительное отличие результатов вычислений от опорных («эталонных»). Эта величина может рассматриваться как одна из количественных характеристик алгоритмов. Иногда ее удобно выражать в процентах.

Для единичного результата вычислений (т = 1) формула (В.4) упрощается и принимает вид

5= |У(э_) ' •100%. (В 5)

Погрешность классификации, как относительная величина нераспознанных жестов, выраженная в процентах, может быть определена с помощью формул (В.2), (В.3) или (В.4).

Точность классификации, как относительная величина распознанных жестов, выраженная в процентах, может быть определена как дополнение до 100 % значений, полученных с помощью формул (В.2), (В.3) или (В.4).

2.3 Исполнительную характеристику алгоритма (В.1) можно применять также для нахождения числа потерянных цифр точности в результатах испытаний

по сравнению с любыми другими результатами, используемыми для сравнения с ними (модельными, сгенерированными и т. п). Это относится также к величине, определяемой формулами (В.4) и (В.5).

2.4 На основании подпункта 6.5.8.4 стандарта [128], критерии, которым должны удовлетворять определенные и оцененные характеристики алгоритмов ПО, а также допускаемые значения характеристик могут быть установлены на основе требований к точности решения измерительной задачи (при их наличии), точности выполняемых расчетов (степени округления) и т. п. Критерии и допуски на значения характеристик фиксируются в методике испытаний и согласовываются с ее заказчиком.

2.5 Согласно требования подпунктов 6.5.8.5 и 6.5.8.6 стандарта, все определенные и оцененные характеристики и свойства алгоритмов ПО вносят в протокол испытаний.

Перечень характеристик испытываемого ПО может корректироваться соглашением между организацией, проводящей испытания, и заказчиком.

3 Условия и порядок проведения испытаний

3.1 Испытания должны проводиться в нормальных климатических условиях (ГОСТ 22261-94), характеризующихся следующими параметрами:

а) температура окружающего воздуха, °С - 20 ± 5;

б) относительная влажность, % - 30...80;

в) атмосферное давление, кПа - 84... 106;

г) частота питающей электросети, Гц - 50 ± 0,5;

д) напряжение питающей сети переменного тока, В - 220 ± 4.

При проведении испытаний результаты каждой проверки записываются в «Протокол испытаний». Испытания проводятся в соответствии с данной «Программой и методикой испытаний».

В случае установленного факта невозможности объективной оценки какого-

либо проверяемого параметра в рамках данной «Программы и методики испытаний», комиссия принимает обоснованное решение о проведении дополнительных проверок этого параметра или заключения о причинах невозможности проведения проверки.

В случае невозможности проведения (продолжения) испытаний по причине неработоспособности программных и/или аппаратных компонентов измерительных средств, предоставляется время для выяснения и устранения причин. После выяснения и устранения причин, вызвавших приостановку испытаний, повторные проверки осуществляются в полном объеме в соответствии с данной «Программой и методикой испытаний».

3.2 Перед проведением испытаний необходимо провести подготовительные мероприятия, включая следующие:

а) создание комиссии для проведения испытаний;

б) обеспечение наличия, пригодности и готовности средств материально-технического обеспечения, гарантирующих создание необходимых условий и режимов для испытаний.

Если к началу проведения испытаний необходимые подготовительные мероприятия выполнены не полностью, то начало проведений испытаний переносится на более поздний срок с внесением соответствующей записи в протокол испытаний.

Условием окончания испытаний является выполнение всей программы испытаний.

3.3 Климатические условия эксплуатации, при которых должны обеспечиваться заданные характеристики, должны удовлетворять требованиям, предъявляемым к техническим средствам в части условий их эксплуатации.

Испытания проводятся в условиях нормального функционирования систем электропитания, резервного копирования и восстановления данных, максимально достижимой производительности сетевых коммуникаций.

Имеющиеся ограничения в условиях проведения испытаний заранее оговариваются участниками проведения испытаний до начала испытаний и соблюдаются в течение всего времени, необходимого для проведения испытаний.

3.4 Техническое обслуживание системы испытаний включает в себя комплекс операций, направленных на обеспечение ее штатного функционирования. В процессе проведения испытаний техническое обслуживание системы обеспечивают специалисты исполнителя.

3.5 При проведении испытаний необходимо обеспечить соблюдение требований безопасности, установленных ГОСТ 12.2.007.0-75, ГОСТ 12.2.007.375, «Правилами техники безопасности при эксплуатации электроустановок потребителей», и «Правилами технической эксплуатации электроустановок потребителей».

3.6 Исполнитель приказом назначает срок проведения испытаний и приемочную комиссию.

Исполнитель проводит все подготовительные мероприятия для проведения испытаний, а также проводит испытания в соответствии с настоящей программой и методикой испытаний.

Исполнитель документирует ход проведения проверок в протоколе испытаний.

3.7 Персонал, проводящий испытания, должен обладать навыками работы с персональными компьютерами, операционной системой семейства Windows и быть ознакомлен с эксплуатационной документацией на представленные подсистемы.

4 Материально-техническое обеспечение испытаний

4.1 Состав и структура привлекаемых для испытаний технических средств должны обеспечивать представление данных 64-битными числами двойной точности с плавающей запятой (15-17 знаков, в среднем 16).

4.2 Привлекаемое для испытаний специальное программное обеспечение включает в себя программные модули, реализующие функции испытательной системы.

4.3 Состав привлекаемого для испытаний общего и специального программного обеспечения приведены в таблице В.1.

Таблица В.1 - Состав привлекаемого для испытаний общего и специального программного обеспечения

Наименование Общее программное обеспечение

Наборы данных D1, D2, D3

Рабочая станция MS Windows 10 Python 3.8 и выше Браузер FireFox 107.0 (64 бита) Microsoft Office 2013

Наименование Специальное программное обеспечение

Файлы программой обработки и классификации сигналов электромиографии data.csv main.py input.py process.py featureExtraction.py classification.py metrics.py

5 Процедуры проверки и методика испытаний программ для классификации паттернов сигналов электромиографии

5.1 Для организации процесса работы с программой обработки и классификации сигналов электромиографии необходимо выполнить следующие действия.

5.1.1 Загрузить в одну директорию все используемые файлы программ:

- data.csv

- тат.ру -триГру

- process.py

- featureExtraction.py

- classification.py

- тей^.ру

5.1.2 Вызвать на выполнение файл тат.ру для организации процесса работы программы. Процесс работы состоит из следующих этапов:

- запуск процесса чтения данных в файле три;.ру;

- загрузка данных из файла data.scv;

- запуск процесса обработки данных из файла process.py;

- запуск процесса получения характерных признаков из файла featureExtraction.py;

- запуск процесса обучения моделей на тренировочном наборе данных из файла classification.py;

- запуск процесса классификации тестовых данных из файла dassificatюn.py

- запуск процесса оценки классификации из файла тей^.ру

5.1.3 Выполнить проверку функционирования в соответствии с методикой испытаний, представленной в таблице В.2.

5.2 Пункты процедуры проверки и испытаний программ для классификации паттернов сигналов электромиографии, таблица В.2

Таблица В.2 - Процедуры проверки и методика испытаний программ для классификации паттернов сигналов электромиографии_

Процедура проверки Методика испытаний Ожидаемый результат

5.2.1 Проверка возможности получения данных из файла. Проверить возможность получения данных из файла: а) загрузить и вызвать на исполнение файл тат.ру; б) проверить формат принимаемого файла с данными; в) проверить возможность чтения данных из файла. Ответ программы об успешном получении данных, вывод объема файла, количества строк и столбцов.

5.2.2 Проверка возможности обработки данных по двум параметрам (объем данных для каждого класса и количество пропусков в векторе признаков) Проверить возможность обработки данных по двум параметрам (объем данных для каждого класса и количество пропусков в векторе признаков): а) загрузить и вызвать на исполнение файл process.py; б) запустить функцию class_count() для определения объема данных в классах; в) запустить функцию del_vectors() для удаления векторов; г) запустить функцию isna() для определения количества пропущенных значений; д) запустить функцию тер1асе() для замены пропущенных значений. Ответ программы об успешной обработке данных. Результатом перечислений б) и в) является соразмерность количества векторов признаков у классов. Результатом перечислений г) и д) является отсутствие пропущенных значений во всем наборе данных.

5.2.3 Проверка возможности получения характерных признаков из исходного набора Проверить возможность получения характерных признаков из исходного набора данных: а) загрузить и вызвать на исполнение файл featureExtraction.py; б) последовательно запустить функции расчета характерных признаков; Результатом работы является набор данных, состоящий из характерных признаков.

данных в) запустить функцию dim reduct() для уменьшения размерности векторов признаков.

5.2.4 Проверка возможности классификации данных из сигналов электромиографии Проверить возможность классификации данных из сигналов электромиографии: а) загрузить и вызвать на исполнение файл classification.py; б) последовательно запустить функции классификации базовыми методами машинного обучения c гиперпараметрической оптимизацией; в) запустить функции классификации ансамблевыми методами машинного обучения; г) произвести обучение моделей на тренировочном наборе данных. Результатом работы является обученные модели на тренировочном наборе данных.

5.2.5 Проверка функций оценки качества классификации Проверить функции качества классификации: а) загрузить и вызвать на исполнение файл metrics.py; б) последовательно запустить функции оценки качества классификации confusion_matrix(), precision(), recall(), f1_score(); Результатом работы являются наборы метрик качества классификации для каждого метода машинного обучения.

6 Метрологическое обеспечение испытаний

6.1 Метрологическое обеспечение испытаний для проведения проверок не требуется.

7 Отчетность

7.1 В процессе проведения испытаний и по их завершению комиссией оформляется протокол предварительных испытаний системы, включающий в себя отчеты о результатах проверок по пунктам программы и методики испытаний, а также все отметки о недоработках и замечания.

Вышеуказанный документ должен быть подготовлен и представлен на согласование не позднее 7 рабочих дней после завершения испытаний.

Протокол испытаний составляется в двух экземплярах.

председатель комиссии,

заместитель

председателя

комиссии

члены комиссии:

Протокол и результаты испытаний программ для классификации паттернов

сигналов электромиографии

1 Наименование объекта испытаний - «Система для классификации паттернов сигналов электромиографии».

2 Список должностных лиц, проводивших испытания

Комиссия в составе:

зав. кафедрой «Автоматизированные системы обработки информации и управления» Никонов Александр Васильевич,

доцент кафедры «Автоматизированные системы обработки информации и управления» Зубарев Александр Александрович,

доцент кафедры «Автоматизированные системы обработки информации и управления» Белик Алевтина Георгиевна,

инженер первой категории кафедры

«Автоматизированные системы обработки информации и управления» Лагунова Юлия Григорьевна.

3 Цель испытаний - оценка качества системы классификации паттернов сигналов электромиографии путем проверки функций программ. Задача испытаний - оценка точности классификации жестов указанными ниже методами при использовании алгоритмов, разработанных автором диссертационной работы.

1. Классификации «методом случайного леса» (random forest; RF)

2. Классификации «методом AdaBoost»

3. Классификации «методом CatBoost»

4 Сведения о продолжительности испытаний

Результат испытаний получен как обобщение результатов частных испытаний, проведенных по каждому методу классификации.

5 Перечень пунктов «Программы испытаний», по которым проведены испытания

Приведены результаты проверки функций оценки качества классификации согласно пп. 5.2.1 - 5.2.5 программы испытаний.

6 Сведения об отказах, сбоях и аварийных ситуациях, возникающих при испытаниях

Сбоев, ошибок, отказов и аварийных ситуаций в работе системы в ходе проведения испытаний не имелось.

№

Набор данных

Количе

ство жестов

Метод классиф икации

m-и

опорный результат,

у

(эт)