Нейромышечный интерфейс предплечья на основе комплексирования сигналов электроимпедансной, электромиографической и миотонической активности тема диссертации и автореферата по ВАК РФ 05.11.17, кандидат наук Брико Андрей Николаевич

• Брико Андрей Николаевич
• кандидат наук
• 2020

Оглавление диссертации кандидат наук Брико Андрей Николаевич

Список принятых сокращений

Введение

Глава 1. Предпосылки к разработке нейромышечного интерфейса предплечья на основе комплексирования сигналов электроимпедансной, электромиографической и миотонической активности

1.1. Инструментальные методы регистрации нейромышечной активности

1.1.1. Системы повторяющего типа

1.1.2. Системы контурной оценки

1.1.3. Электромиография

1.1.4. Миотоническое управление

1.1.5. Механомиография

1.1.6. Акселеромиография

1.1.7. Оптическая миография

1.1.8. Ультразвуковая миография

1.1.9. Электроимпедансная миография

1.2. Основные принципы антропоморфного управления

1.3. Базовые действия кисти

1.4. Морфологические особенности предплечья, учитываемые при электроимпедансной миографии

1.5. Механизмы формирования электроимпедансной миограммы

1.6. Выводы к главе

Глава 2. Теоретические исследования, позволяющие обосновать параметры электродных систем

3 Стр.

2.1. Обоснование требований к частоте и амплитуде зондирующего тока

2.2. Обоснование модели формирования электроимпедансных сигналов области предплечья

2.2.1. Определение приемлемых размеров расчетной модели для электроимпедансных исследований

2.2.2. Выбор типа сеточного разбиения расчетной модели

2.2.3. Обоснование степени детализации расчетной модели анатомических особенностей предплечья

2.2.4. Сведение цилиндрической модели к плоской

2.3. Методика выбора геометрических размеров электродной системы для электроимпедансной миографии

2.3.1. Определение приемлемых размеров электродных систем

2.3.2. Оптимальность выбора размера электродных систем по Парето

2.4. Определение оптимальной геометрии электродов для регистрации сигналов электрического импеданса

2.4.1. Плоские круговые электроды

2.4.2. Плоские эллиптические электроды

2.4.3. Полусферические электроды

2.5. Выводы к главе

Глава 3. Исследование комплексирования сигналов электроимпедансной и электромиографической активности

3.1. Экспериментальные многоканальные исследования, позволяющие обосновать количество и расположение электродных систем

3.2. Комплексирование сигналов электроимпеданса и электромиограммы

3.2.1. Совместная регистрация сигналов электроимпеданса и электромиограммы

4 Стр. 3.2.2. Использование принципа взаимности при совместной регистрации сигналов электрического импеданса и электромиограммы

3.3. Совместный анализ сигналов электроимпеданса и электромиограммы при выполнении базовых действий кисти

3.3.1. Определение типа совершаемого действия на основе электроимпеданса

3.3.2. Стенды схвата

3.3.3. Определение силы совершаемого действия на основе электромиограммы

3.4. Выводы к главе

Глава 4. Разработка метода управления на основе комплексирования сигналов электроимпедансной, электромиографической и миотонической активности

4.1. Исследование влияния прижатия электродной системы на электрический импеданс

4.1.1. Стенд прижатия

4.1.2. Морфологические изменения области предплечья вследствие прижатия УЗ датчика

4.1.3. Влияние прижатия электродной системы на электрический импеданс

4.2. Комплексирование сигналов электроимпеданса, электромиограммы и миотонограммы

4.3. Совместный анализ сигналов электроимпеданса, электромиограммы и миотонограммы при выполнении базовых действий кисти

4.4. Основные принципы и рекомендуемые требования при построении биотехнической системы модуля нейромышечного интерфейса

4.5. Выводы к главе

Общие выводы и заключение

Список литературы

СПИСОК ПРИНЯТЫХ СОКРАЩЕНИЙ

БТС - биотехническая система

ДС - датчик силы

ИЭ - измерительный электрод

КУС - кажущееся удельное сопротивление

ММГ - механомиография

МРТ - магнитно-резонансная томография

МТГ - миотонический сигнал

ПК - персональный компьютер

СКО - среднеквадратическое отклонение

ТЭ - токовый электрод

УЗ - ультразвук

УЗИ - ультразвуковое исследование

ЭИ - электрический импеданс

ЭИМ - электроимпедансная миография

ЭИТ - электроимпедансная томография

ЭМГ - электромиограмма

ЭС - электродная система

Введение диссертации (часть автореферата) на тему «Нейромышечный интерфейс предплечья на основе комплексирования сигналов электроимпедансной, электромиографической и миотонической активности»

ВВЕДЕНИЕ

Актуальность темы. Человеческая рука - чрезвычайно сложный инструмент, позволяющий выполнять множество действий, включая мелкую моторику благодаря большому количеству степеней свободы [1], [2]. Функционал руки используется не только для выполнения почти всех видов повседневной деятельности, таких как прием пищи, переодевание, обеспечение личной деятельности [3]-[5], но и необходим для социального взаимодействия.

Потеря двигательной функции верхней конечности значительно снижает качество жизни [6], [7]. Распространенными причинами являются как инсульт [8], [9], травмы головы, повреждения спинного мозга, рассеянный склероз или церебральный паралич [4], так и ампутации вследствие обморожения, травм и инфекций [10]—[12].

В данных случаях обеспечение высокофункциональными протезными [12]-[14] и реабилитационными [3], [15]-[19] устройствами является социально значимой научно-технической задачей, так как это позволяет вернуть пациентов к прежней активной жизни путем частичного восполнения утраченных двигательных функций конечности и сокращения времени реабилитации.

Однако, несмотря на технологический прогресс за последние 50 лет, при разработке бионических устройств все еще приходится сталкиваться с определенными ограничениями. Одним из основных, что делает устройства далекими от удовлетворения потребностей пользователей, является отсутствие интуитивно понятного и надежного интерфейса управления [15], [16], [19]-[22], позволяющего преодолеть проблемы замещения функций верхней конечности [23], [24].

Вышеизложенное обосновывает актуальность задач исследований, направленных на разработку антропоморфного нейромышечного интерфейса на основе информации об электрической и биомеханической активности мышц и мышечных групп.

Степень разработанности темы исследования. Проблемы разработки антропоморфного нейромышечного интерфейса рассматривались во многих исследованиях [4], [5], [22], [23], [25]. Ключевым моментом является выбор метода получения информации о совершаемом конечностью движении, позволяющего определять как его тип, так и проводить численную оценку силомоментных характеристик.

Классическим считается управление на основе поверхностной ЭМГ. Метод позволяет неинвазивно зарегистрировать потенциалы, возникающие на поверхности кожи вследствие возбуждения мышцы. Анализ амплитудно-частотных характеристик сигнала позволяет реализовывать дискретное [26], пропорциональное [27], [28] и управление на основе распознавания образов [29]-[31]. Не смотря на широкое применение ЭМГ метода как в доступных на рынках системах, так и в клинической практике [32], он не приемлем для комплексирования нескольких действий с сохранением пропорционального управления по каждому [23].

Для преодоления подобных ограничений предлагаются альтернативные подходы. В настоящей работе помимо ЭМГ рассматриваются методы на основе ЭИ [33]-[35] и МТГ [36]-[38].

ЭИМ, заключающаяся в оценке изменения величины ЭИ при сокращении мышц в режиме реального времени, представляет собой одно из самых ранних применений ЭИ исследований [39]-[42], не утратившее свою актуальность и сегодня [35], [43]. Несмотря на существующие противоречивые результаты, получаемые при попытках «in vitro» [39]-[42], [44] и «ex vivo» [33], [45] оценок изменений ЭИ при изометрических сокращениях и тетанической стимуляции, концепция использования ЭИ для бионического управления привлекательна, поскольку может дать новые знания о биофизических процессах, происходящих в мышечных и окружающих тканях, связанных с процессами формирования параметров сигналов ЭИМ.

МТГ, традиционно, регистрируется неинвазивно посредством тензодатчиков, расположенных на поверхности конечности. Метод основан на

регистрации механических напряжений, связанных с утолщением мышцы при сокращении. Преимуществом данного сигнала по сравнению с поверхностной ЭМГ является возможность использования при слабой биоэлектрической активности мышц. Однако некоторые исследования [38] показывают, что точность классификации действий по МТГ методу ниже, при сравнении с ЭМГ.

Развиваемые сегодня способы управления, в частности при использовании отдельных сигналов, полученных на основе одного физического метода, не позволяют получить детальную информацию о биомеханических характеристик мышечной активности, и, как следствие, позволяют только частично удовлетворять требованиям антропоморфного управления, включающего в себя реализацию действия копирующего типа, пропорциональность по силе, комплексирование действий и задержку в реализации команд управления, как правило, не более 1 50 мс.

В этом смысле ЭИМ в комплексном сочетании с анализом ЭМГ и МТГ потенциально может обладать высокой информативностью в системах антропоморфного управления [43], [46], [47]. Однако проведенный литературный анализ показывает, что существующие методы и подходы не учитывают ряд важных процессов, рассмотрение которых необходимо для разработки эффективных интерфейсов. Для этого необходимо решить ряд научно-технических задач, связанных в первую очередь с:

- исследованием процессов формирования ЭИМ;

- исследованием параметров ЭС и мест их расположения для регистрации

ЭИ;

- исследованием влияния прижатия ЭС на сигнал ЭИ;

- исследованием потенциальной эффективности управления посредством комплексирования разных по своей физической природе сигналов.

В связи с этим были сформулированы цель и задачи настоящей диссертационной работы.

Цель диссертационной работы - разработка БТС нейромышечного интерфейса предплечья на основе комплексирования сигналов ЭИ, ЭМГ и МТГ.

Для достижения поставленной цели решены следующие задачи:

1. Исследование процессов, влияющих на изменение ЭИ при реализации действий кистью.

2. Обоснование схемы и средств измерений ЭИ, расположения и геометрических параметров ЭС, обеспечивающих необходимую чувствительность измерений сигнала с области предплечья для реализации антропоморфного управления.

3. Исследование методов определения типа совершаемого действия кистью на основе комплексирования разных по своей физической природе сигналов нейромышечной активности: ЭИ, ЭМГ и МТГ.

Объектом исследования является БТС нейромышечного интерфейса предплечья для определения типа и параметров базовых действий.

Предметом исследования являются механизмы формирования сигналов ЭИ при мышечной активности, методы и средства измерения и анализа сигналов ЭИ, ЭМГ и МТГ для задач антропоморфного и пропорционального управления.

Научная новизна:

1. На основе результатов теоретических и экспериментальных исследований предложена модель формирования сигналов ЭИ области предплечья, учитывающая изменение электрофизических и геометрических параметров кожно-жирового слоя и мышечных групп при выполнении действий кистью.

2. Предложен и апробирован метод оценки Парето-оптимальных размеров ЭС ЭИ измерений мышечной активности.

3. На основе проведенных исследований влияния прижатия ЭС на величину измеряемого ЭИ в покое и при выполнении действия кистью для области предплечья впервые обоснованы приемлемые значения прижатия ЭС с точки зрения выраженности и воспроизводимости сигнала.

4. Предложен и апробирован подход комплексирования сигналов ЭИ, ЭМГ и МТГ с целью реализации антропоморфного и пропорционального управления, включающий:

- сенсорную систему для совместной регистрации сигналов;

- наложение двух сенсорных систем с приемлемой силой прижатия на поверхность кожных покровов предплечья в области проекции мышц сгибателей/разгибателей;

- определение типа и параметров совершаемого действия кистью на основе совместного анализа амплитудно-временных параметров сигналов.

Теоретическая и практическая значимость работы. Теоретическая значимость результатов работы заключается в следующем:

1. Обоснованы и исследованы механизмы формирования сигнала ЭИ при его регистрации в области предплечья и выполнении действия кистью;

2. Развитие методов определения типа и параметров совершаемого действия кистью на основе комплексирования разных по своей физической природе сигналов нейромышечной активности для реализации антропоморфного и пропорционального управления.

Практическая значимость работы заключается в следующем:

1. Разработанная БТС позволяет реализовывать антропоморфное и пропорциональное управление с определением действий типа схвата, сгибания/разгибания и ротации с задержкой не более 150 мс и использованием не более двух сенсорных систем.

2. На основании теоретических и экспериментальных исследований был разработан макет сенсорной системы, включающую в себя совместную регистрацию сигналов ЭИ, ЭМГ и МТГ.

3. Предложенный нейромышечный интерфейс может быть использован в антропоморфных системах управления реального времени при создании экзоскелетов медицинского и промышленного назначения, бионических экзо- и эндо- протезов, реабилитационных роботизированных комплексов для пациентов с нарушениями двигательных функций.

Методология и методы исследования. Исследования, представленные в диссертации, опираются на классические труды отечественных и зарубежных ученых, изучавших проблемы бионического управления на основе регистрации сигналов нейромышечной активности с области предплечья, в значительной мере уточняют и обобщают их. Для достижения поставленной цели на основе анализа УЗИ, МРТ и данных электрофизических свойств тканей были построены аналитические и численные модели формирования ЭИ сигнала при сокращении мышцы, производился сбор и анализ экспериментальных данных. Полученные данные систематизированы, изложены в главах собственных исследований. Сформулированы выводы, практические рекомендации.

Степень достоверности и апробация работы. Достоверность представленных в диссертационной работе результатов подтверждается проверочными численными и физическими экспериментами, а также соответствием результатов экспериментов известным научным данным, теоретическим расчетам и результатам, полученным в работах других авторов.

Основные положения диссертации докладывались и обсуждались на: «11th Russian German Conference on Biomedical Engineering» (Germany, Aachen, 2015); «12th Russian German Conference on Biomedical Engineering» (Суздаль, 2016); «2018 Ural Symposium on Biomedical Engineering, Radioelectronics and Information Technology (USBEREIT)» (Екатеринбург, 2018); «11th International Conference on Bioelectromagnetism» (Germany, Aachen, 2018); «13th Russian German Conference on Biomedical Engineering» (Germany, Aachen, 2018); «Приборостроение, электроника и телекоммуникации - 2018» (Ижевск, 2018); «2019 Ural Symposium on Biomedical Engineering, Radioelectronics and Information Technology (USBEREIT)» (Екатеринбург, 2019); «XIV Russian-Germany Conference on Biomedical Engineering» (Санкт-Петербург, 2019); «2020 Ural Symposium on Biomedical Engineering, Radioelectronics and Information Technology (USBEREIT)» (Екатеринбург, 2020); «Физика и радиоэлектроника в медицине и экологии (ФРЭМЭ 2020)» (Суздаль, 2020).

Материалы диссертации использовались в ходе исследований, проводимых в рамках научного проекта при поддержке РФФИ и DFG (№ 20-51-45001).

За работы, которые являются частью данной диссертации, автору присуждена стипендия Президента Российской Федерации молодым учёным и аспирантам (СП-2019).

Соответствие диссертации паспорту научной специальности. Научные положения диссертации соответствуют паспорту специальности 05.11.17 -Приборы, системы и изделия медицинского назначения (технические науки). Результаты проведенного исследования соответствуют области исследования, специальности, конкретно пунктам 1,2 паспорта специальности Приборы, системы и изделия медицинского назначения.

Публикации. Основные результаты диссертационного исследования отражены в 11 научных работах, из которых: 2 статьи в рецензируемых журналах и изданиях из перечня ВАК РФ; 6 статей, индексируемых в Scopus. Общий объем 3,14 п.л.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, общих выводов и списка литературы. Основное содержание работы изложено на 128 страницах, работа содержит 83 рисунка, 12 таблиц и список литературы из 229 библиографических источников.

ГЛАВА 1. ПРЕДПОСЫЛКИ К РАЗРАБОТКЕ НЕЙРОМЫШЕЧНОГО ИНТЕРФЕЙСА ПРЕДПЛЕЧЬЯ НА ОСНОВЕ КОМПЛЕКСИРОВАНИЯ СИГНАЛОВ ЭЛЕКТРОИМПЕДАНСНОЙ, ЭЛЕКТРОМИОГРАФИЧЕСКОЙ И МИОТОНИЧЕСКОЙ АКТИВНОСТИ

1.1. Инструментальные методы регистрации нейромышечной активности

В последние несколько лет определение параметров мышечных сокращений стало важной исследовательской задачей в биомедицинской инженерии [48]. Особенно для развития методов управления актуально определение активности мышц верхней конечности, наиболее часто использующейся при самообслуживании. Сбор данных, которые позволяют определять параметры мышечного сокращения, как правило, называют миографией [48].

Определение типа и параметров выполняемого действия является ключевой задачей систем управления бионическими устройствами [49]. При описании таковых систем, с целью их классификации могут быть использованы самые различные признаки, например: назначение устройства, тип управляющих сигналов, способ регистрации управляющих сигналов, способ обработки управляющих сигналов [50].

Применениями бионического управления обычно являются: мониторинг активности, компьютерные системы [51], роботы и хирургические системы [52], реабилитационные и вспомогательные устройства, экзоскелеты и протезы [51]-[58]. Особенно для последних примеров важна высокая надежность, чтобы избежать неправильной интерпретации сигналов, которые могут спровоцировать опасные ситуации для оператора.

Системы бионического управления реализуются посредством нейромышечного интерфейса, который представляет собой промежуточное звено между организмом и исполнительным механизмом. Высокая функциональность и

точность реализации действий современными исполнительными устройствами [28], [59] ограничены предельными возможностями существующих способов бионического управления, вследствие чего исследуются подходы на основе различных физических принципов, с помощью которых возможно повысить качество, надежность и функционал нейромышечного интерфейса.

Примеры основных инструментальных методов управления и оценки нейромышечной активности рассмотрены ниже.

1.1.1. Системы повторяющего типа

Системы повторяющего типа включают в себя методы оптической миографии и специальные перчатки с датчиками. Методы оптической миографии используют камеры для определения движений, например, путем отслеживания деформации предплечья на основе оценки смещения наклеенных маркеров (Рисунок 1.1, а) [60], [61]. Основным недостатком такого подхода является необходимость позиционирования руки в фиксированном положении [60]. Альтернативами являются использование удаленных от оператора камер для определения положения и сгибания пальцев [57], [62] или непосредственное крепление камеры на запястье (Рисунок 1.1, б) [63], [64]. Подобные системы предъявляют высокие требования к вычислениям, громоздки и требуют прямую видимость конечности [65], [66].

Высокой точности в определении действий и их параметров возможно добиться при использовании специальных перчаток со встроенными датчиками (Рисунок 1.2) [54], [62], [67], например, датчиками изгиба [54], [68], [69]. Преимуществом подхода является простота и надежность в применении, однако пользователю приходится носить перчатку, ограничивающую степень выполняемых действий.

(а) (б)

Рисунок 1.1. Методы оптической миографии: на основе маркеров [60] (а), при расположении камеры на запястье [63] (б)

Рисунок 1.2. Перчатки с датчиками изгиба [68], [69]

1.1.2. Системы контурной оценки

При действиях кистью геометрическая форма предплечья изменяется, благодаря чему ее контурная оценка специальными датчиками позволяет определить тип выполняемого движения. В литературе [70]-[73] представлено достаточное количество исследований с использованием разных методов подобной оценки, которые отличаются не только физическим принципом, но и своими особенностями. В качестве основных можно выделить следующие подходы (Рисунок 1.3): использование системы датчиков давления вокруг руки [70], [71]; использование емкостных датчиков [72]; использование инфракрасных датчиков приближения [73].

Данные системы позволяют определять большое количество действий, однако их использование не эргономично и они недостаточно чувствительны к артефактам движений, связанные в том числе с особенностью крепления датчиков [65], [74].

(а)

(в)

(б)

(г)

Рисунок 1.3.

Системы контурной оценки морфологических изменений предплечья: на основе датчиков давления [70] (а), [71] (б); на основе емкостных датчиков [72] (в), на основе инфракрасных датчиков приближения [73] (г).

1.1.3. Электромиография

Наиболее часто используемым в современной практике методом для определения параметров мышечных сокращений является ЭМГ [75]-[78]. Методы

на основе ЭМГ измеряют электрическую активность, возникающую при деполяризации мышц во время активации, посредством игольчатых (внутримышечных) или поверхностных электродов с поверхности кожи [79]-[83]. Регистрируемый сигнал ЭМГ напрямую связан с физиологическими и анатомическими факторами, такими как количество активных двигательных единиц, тип мышечных волокон, диаметр, глубина и расположение активных волокон, характеристики активации двигательных единиц [84]-[87]

Коммерческие системы на основе ЭМГ используют поверхностные неинвазивные измерения из соображений безопасности. Схемы управления большинства устройств основаны на простых методах, впервые предложенных в прошлом столетии [49], [50], [88]. В этих подходах поверхностные ЭМГ сигналы обычно регистрируются двумя ЭС, расположенными на мышцах-антагонистах для управления сильно ограниченным количеством действий [89]. Для более полного удовлетворения пользователя с целью повышения количества распознаваемых действий требуется увеличение количества используемых каналов соответственно (Рисунок 1.4, а) [59], [89], что увеличивает стоимость и уровень программно-аппаратной реализации системы.

(а) (б)

Рисунок 1.4. Расположение ЭС внутри гильзы протеза при шестиканальной

регистрации ЭМГ [59] (а), электродная матрица для регистрации высокоплотной ЭМГ [90] (б) Недостатком поверхностной ЭМГ является интерференционная особенность. Сигналы деполяризации от стимулированных одновременно мышц накладываются, поэтому затруднительно получить сигнал ЭМГ, отражающий

активность конкретной мышцы [56]. Решением проблемы может являться использование высокоплотной ЭМГ, регистрируемой с помощью одномерных и двумерных электродных матриц (Рисунок 1.4, б) [88], [90]-[93].

Использование высокоплотной ЭМГ позволяет извлекать физиологическую информацию как на уровне мышц, так и на уровне двигательных единиц [88], [90], [92], [93]. Однако, несмотря на то, что данный подход открывает новые перспективы в неинвазивной оценке нервно-мышечной активности, остаются проблемы, связанные с получением и интерпретацией сигналов, сложностью настройки, чувствительностью к артефактам движения и электромагнитным помехам [88], [90]. Также недостатком известных способов ЭМГ управления является то, что сигналы ЭМГ отражают процессы активации мышечного сокращения, но не дают представления о биомеханических параметрах и движении самой мышцы при сокращении [56].

1.1.4. Миотоническое управление

МТГ - это относительно новый метод определения активности, связанной с мышечными действиями [94]. Метод основан на отслеживании изменений давления по поверхности кожи вследствие увеличения площади поперечного сечения конечности, которое происходит при сокращении мышц [38], [94]. Использование МТГ имеет широкое распространение в управлении бионическими устройствами в качестве аналога поверхностной ЭМГ [95] в виду определенных преимуществ: устойчивости к внешним электрическим помехам и потоотделению [96]; отсутствия требований к предварительной обработке кожного покрова [97]; более низких требований к аппаратно-программному обеспечению для регистрации и обработки сигналов [98]; низкой себестоимости датчиков; стабильности сигналов в течение времени при статических действиях [99].

Большинство МТГ исследований связано с использованием тензометрических датчиков на основе тензорезисторов, сопротивление которых изменяется в зависимости от приложенной к ним силы [100], [101], прикрепленных к предплечью испытуемого с помощью манжет или гильз [95], [102]. Однако

подобные преобразователи имеют недостатки с точки зрения гистерезиса и дрейфа сигнала [103].

Для большинства применений МТГ требуется использование более одного датчика, чтобы определить паттерн изменения жесткости различных групп мышц при выполнении действия. Количество датчиков для подобных исследований, как правило, варьируется от 2 до 32, а в отдельных случаях достигает и большего значения (Рисунок 1.5).

(а) (б)

Рисунок 1.5. Прототипы МТГ систем: манжетный датчик [99] (а), регулируемая гильза с массивом датчиков [37] (б) Несмотря на представленные преимущества, методу присущи сложности в распознавании образов вследствие вариации позиционирования датчиков относительно мышечных групп при персональном использовании [37]. Анализ МТГ сигналов при выполнении действий с разной нагрузкой демонстрирует различные реакции, связанные с перераспределением сил давлений на датчики [76]. Еще одним недостатком является различие амплитудных характеристик МТГ датчиков, вследствие того, что на каждый приложена некоторая предварительная нагрузка, зависящая от плотности крепления к конечности и позиционирования системы [76]. Эти факторы представляют собой препятствия для использования метода управления на основе МТГ в клинических условиях и носимых устройствах.

1.1.5. Механомиография

ММГ - это метод, используемый для исследования механической активности мышц путем регистрации колебаний на поверхности кожи, вызванных сокращениями двигательных единиц [104]-[106]. Данный сигнал отражает механический аналог электрической активности мышц, измеряемой с помощью ЭМГ [107], [108], и содержит в себе ценную информацию об их сократительных свойствах, связанных с типом и составом мышечных волокон [108], [109].

Метод ММГ успешно был использован для мониторинга мышечной усталости [110], [111], изучения активации двигательных единиц [112], [113], управления протезами [114], и классификации жестов кисти [115]. В зависимости от типа датчиков, частотного диапазона и области применения ММГ методы условно подразделяются на различные типы, такие как акустомиография, фономиография и вибромиография [116] (Рисунок 1.6).

Акустомиография представляет собой регистрацию механических колебаний мышц при сокращении в звуковом диапазоне частот, увеличивающих свою амплитуду по мере увеличения силы сокращения [117]. Для реализации метода используют микрофоны, акселерометры или пьезоэлектрические контактные датчики, как правило, с целью определения мышечной усталости, напряжения мышц и реализации бионического управления [116].

Сигнал вибромиограммы регистрируется с помощью акселерометров, расположенных на поверхности кожи в проекции активной при действии мышцы. Аналогично акустомиографии, данный метод может использоваться в качестве альтернативы ЭМГ при оценке мышечной активности [116].

Метод фономиографии включает в себя анализ низкочастотных механических колебаний мышц при сокращении с использованием микрофонных датчиков для нейромышечного мониторинга в клинических условиях, в основном, нейромышечной блокады [116].

Преимущества использования ММГ перед ЭМГ [107], [118] аналогичны МТГ методу и позволяют реализовывать методику регистрации с более простой подготовкой, сохраняя надежность получаемых данных [119].

(а)

(б)

(в)

Рисунок 1.6. Прототипы ММГ датчиков: на основе акселерометра [120] (а), микрофона [121] (б), пьезоэлектрических мембран [122] (в) ММГ сигнал наиболее выражен при размещении датчиков в проекции брюшка сокращающейся мышцы, поскольку данная область испытывает максимальные колебания [123], [124]. Данный факт предъявляет ограничение

точного позиционирования датчиков для приемлемого отношения сигнал/шум и не удовлетворяет условиям коммерческого использования в персональных портативных устройствах [104]. Также анализ сигналов требует высоких вычислительных мощностей для обработки в амплитудно-частотной и временной областях [108], [118].

1.1.6. Акселеромиография

Акселерометры и гироскопы часто используются в современных устройствах для обнаружения жестов и расширения функционала [125]. Акселерометры позволяют измерять динамические ускорения [126], в том числе вибрации [127], и, как правило, используются в дополнение основному методу регистрации нейромышечной активности, позволяя компенсировать типичные для него недостатки [125].

При использовании акселерометров самостоятельно (Рисунок 1.7, а), возможно определять жесты рук, кистей и, в отдельных случаях, пальцев [126],

[128]. Однако действия должны быть быстрыми и выраженными [128]. Использование специальной перчатки с креплением датчиков к запястью и пальцам пользователя (Рисунок 1.7, б) позволяет увеличить количество распознаваемых действий, однако точность определения напрямую зависит от положения датчиков

[129]. Отслеживание движений и вибраций с помощью высокочастотных акселерометров добавляет определение схваченных механических предметов (Рисунок 1.8) [127], однако не позволяет распознавать статические позиции [125].

Список литературы диссертационного исследования кандидат наук Брико Андрей Николаевич, 2020 год

СПИСОК ЛИТЕРАТУРЫ

1. Cutkosky M.R. On Grasp Choice, Grasp Models, and the Design of Hands for Manufacturing Tasks // IEEE Trans. Robot. Autom. 1989. Т. 5, №№ 3. С. 269-279. doi: 10.1109/70.34763

2. The statistics of natural hand movements / Ingram J.N. [и др.] // Exp. Brain Res. 2008. Т. 188, № 2. С. 223-236. doi: 10.1007/s00221-008-1355-3

3. A pediatric robotic thumb exoskeleton for at-home rehabilitation / Aubin P. [и др.] // Int. J. Intell. Comput. Cybern. 2014. Т. 7, № 3. С. 233-252. doi: 10.1108/ijicc-10-2013-0043

4. Xie S. Advanced Robotics for Medical Rehabilitation // Springer tracts in advanced robotics. Cham: Springer International Publishing, 2016. Т. 108, №2 108. 343 с.

5. Hillman M. Rehabilitation Robotics from Past to Present - A Historical Perspective // Advances in Rehabilitation Robotics. Springer Berlin Heidelberg, 2004. С. 25-44.

6. Rehabilitation robotics: Performance-based progressive robot-assisted therapy / Krebs H.I. [и др.] // Auton. Robots. 2003. Т. 15, № 1. С. 7-20. doi: 10.1023/A: 1024494031121

7. A survey on robotic devices for upper limb rehabilitation / Maciejasz P. [и др.] // J. Neuroeng. Rehabil. 2014. Т. 11, № 3. doi: 10.1186/1743-0003-11-3

8. Bae J.H., Kim Y.M., Moon I. Wearable hand rehabilitation robot capable of hand function assistance in stroke survivors // Proc. IEEE RAS EMBS Int. Conf. Biomed. Robot. Biomechatronics. 2012. С. 1482-1487. doi: 10.1109/BioRob.2012.6290736

9. Design and control of a robotic wrist orthosis for joint rehabilitation / Meng W. [и др.] // IEEE/ASME Int. Conf. Adv. Intell. Mechatronics, AIM. 2015. С. 12351240. doi: 10.1109/AIM.2015.7222708

10. Буров Г.Н., Большаков В.А., Большакова М.А. Принципы Создания Современных Реабилитационных Устройств В Протезировании Верхних

Конечностей // Вестник Всероссийской Гильдии Протезистов-Ортопедов. 2017. Т. 63, № 1. С. 9-13.

11. Maduri P., Akhondi H. Upper Limb Amputation // https://www.ncbi.nlm.nih.gov/books/NBK540962/ (дата обращения 09.10.2020)

12. Upper limb amputation; Care needs for reintegration to life: An integrative review / Shahsavari H. [и др.] // Int. J. Orthop. Trauma Nurs. Elsevier, 2020. Т. 38, №100773. doi: 10.1016/j.ijotn.2020.100773

13. Bajaj N.M., Spiers A.J., Dollar A.M. State of the Art in Prosthetic Wrists: Commercial and Research Devices // IEEE Int. Conf. Rehabil. Robot. 2015. С. 679. doi: 10.1109/ICORR.2015.7281221

14. Mechanical design and performance specifications of anthropomorphic prosthetic hands: A review / Belter J.T. [и др.] // J. Rehabil. Res. Dev. 2013. Т. 50, № 5. С. 599-618. doi: 10.1682/JRRD.2011.10.0188

15. From the past to the future of therapeutic orthoses for upper limbs rehabilitation / Silveira A.T. [и др.] // Res. Biomed. Eng. 2018. Т. 34, № 4. С. 368-380. doi: 10.1590/2446-4740.170084

16. Arm-training with T-WREX after chronic stroke: Preliminary results of a randomized controlled trial / Housman S.J. [и др.] // 2007 IEEE 10th Int. Conf. Rehabil. Robot. IC0RR'07. 2007. С. 562-568. doi: 10.1109/ICORR.2007.4428481

17. Use of an electromyographically driven hand orthosis for training after stroke / Ochoa J.M. [и др.] // IEEE Int. Conf. Rehabil. Robot. 2011. doi: 10.1109/ICORR.2011.5975382

18. Van der Loos H.F.M., Reinkensmeyer D.J. Rehabilitation and Health Care Robotics // Springer Handb. Robot. 2008. С. 1223-1251. doi: 10.1007/978-3-540-30301-5_54

19. Kiguchi K., Fuku T. Upper-Limb Exoskeletons for Physically Weak Persons // Rehabilitation Robotics. I-Tech Education and Publishing. 2007. С. 287-299.

20. Dhillon G.S., Horch K.W. Direct neural sensory feedback and control of a prosthetic arm // IEEE Trans. Neural Syst. Rehabil. Eng. 2005. Т. 13, № 4. С. 468-472. 10.1109/TNSRE.2005.856072

21. Clement R.G.E., Bugler K.E., Oliver C.W. Bionic prosthetic hands: A review of present technology and future aspirations // Surgeon. Elsevier Ltd, 2011. T. 9, № 6. C. 336-340. doi: 10.1016/j.surge.2011.06.001

22. Lo H.S., Xie S.Q. Exoskeleton robots for upper-limb rehabilitation: State of the art and future prospects // Med. Eng. Phys. Institute of Physics and Engineering in Medicine, 2012. T. 34, № 3. C. 261-268. doi: 10.1016/j.medengphy.2011.10.004

23. Literature review on needs of upper limb prosthesis users / Cordella F. [h gp.] // Front. Neurosci. 2016. T. 10, № 5. C. 1-14. doi: 10.3389/fnins.2016.00209

24. On the road to a neuroprosthetic hand: A novel hand grasp orthosis based on Functional Electrical Stimulation / Leeb R. [h gp.] // 2010 Annu. Int. Conf. IEEE Eng. Med. Biol. Soc. EMBC'10. 2010. C. 146-149. doi: 10.1109/IEMBS.2010.5627412

25. Osborn L.E., Iskarous M.M., Thakor N. V. Sensing and Control for Prosthetic Hands in Clinical and Research Applications // Wearable Robotics. INC. 2020. C. 445-468.

26. Scott R.N., Parker P.A. Myoelectric prostheses: State of the art // J. Med. Eng. Technol. 1988. T. 12, № 4. C. 143-151. doi: 10.3109/03091908809030173

27. A multi-modal approach for hand motion classification using surface EMG and accelerometers / Fougner A. [h gp.] // Proc. Annu. Int. Conf. IEEE Eng. Med. Biol. Soc. EMBS. 2011. C. 4247-4250. doi: 10.1109/IEMBS.2011.6091054

28. Control of upper limb prostheses: Terminology and proportional myoelectric controla review / Fougner A. [h gp.] // IEEE Trans. Neural Syst. Rehabil. Eng. 2012. T. 20, № 5. C. 663-677. doi: 10.1109/TNSRE.2012.2196711

29. Cloutier A., Yang J. Control of hand prostheses- A literature review // Proc. ASME Des. Eng. Tech. Conf. 2013. T. 6, № 2. C. 161-181. doi: 10.1115/DETC2013-13349

30. Dohnalek P., Gajdos P., Peterek T. Human activity recognition on raw sensor data via sparse approximation // 2013 36th Int. Conf. Telecommun. Signal Process. 2013. C. 700-703. doi: 10.1109/TSP.2013.6614027

31. EMG feature evaluation for improving myoelectric pattern recognition robustness / Phinyomark A. [h gp.] // Expert Syst. Appl. Elsevier Ltd. 2013. T. 40, № 12. C. 4832-4840. doi: 10.1016/j.eswa.2013.02.023

32. Ning J., Dario F. Myoelectric control of upper limb prosthesis: current status, challenges and recent advances // Front. Neuroeng. 2014. T. 7. C. 20-22. doi: 10.3389/conf.fneng.2014.11.00004

33. Zagar T., Krizaj D. Electrical impedance of relaxed and contracted skeletal muscle // IFMBE Proc. 2007. T. 17. C. 711-714. doi: 10.1007/978-3-540-73841-1_183

34. Rutkove S.B. Electrical impedance myography: Background, current state, and future directions // Muscle and Nerve. 2009. T. 40, № 6. C. 936-946. doi: 10.1002/mus.21362

35. Sanchez B., Rutkove S.B. Electrical Impedance Myography and Its Applications in Neuromuscular Disorders // Neurotherapeutics. Neurotherapeutics. 2017. T. 14, № 1. C. 107-118. doi: 10.1007/s13311-016-0491-x

36. Wininger M., Kim N.H., Craelius W. Pressure signature of forearm as predictor of grip force // J. Rehabil. Res. Dev. 2008. T. 45, № 6. C. 883-892. doi: 10.1682/JRRD.2007.11.0187

37. Radmand A., Scheme E., Englehart K. High-density force myography: A possible alternative for upper-limb prosthetic control // J. Rehabil. Res. Dev. 2016. T. 53, № 4. C. 443-456. doi: 10.1682/JRRD.2015.03.0041

38. Force myography to control robotic upper extremity prostheses: A feasibility study / Cho E. [h gp.] // Front. Bioeng. Biotechnol. 2016. T. 4, № 3. C. 1-12. doi: 10.3389/fbioe.2016.00018

39. McClendon J.F. The increased permeability of striated muscle to ions during contraction // Am. J. Physiol. Content. 1912. doi: 10.1152/ajplegacy.1912.29.3.302

40. Dubuisson M. Recherches sur les modifications qui survien-nent dans la conductibilité électrique du muscle au cours de la contraction // Arch. Physiol. Biochem. 1933. doi: 10.3109/13813453309145185

41. Bozler E. The change of alternating current impedance of muscle produced by contraction // J. Cell. Comp. Physiol. 1935. doi: 10.1002/jcp.1030060204

42. Bozler E., Cole K.S. Electric impedance and phase angle of muscle in rigor // J. Cell. Comp. Physiol. 1935. doi: 10.1002/jcp.1030060205

43. Kobelev A. V., Shchukin S.I. Anthropomorphic prosthesis control based on the electrical impedance signals analysis // Proc. - 2018 Ural Symp. Biomed. Eng. Radioelectron. Inf. Technol. 2018. С. 33-36. doi: 10.1109/USBEREIT.2018.8384543

44. In vivo measurement of skeletal muscle impedance from rest to fatigue / Silva O.L. [и др.] // Technology and Medical Sciences. 2011. doi: 10.1201/b11330

45. Shiffman C.A., Aaron R., Rutkove S.B. Electrical impedance of muscle during isometric contraction // Physiol. Meas. 2003. doi: 10.1088/0967-3334/24/1/316

46. Barnes R., Pliquett U., Barthel A. Simultaneous measurement of active potentials and bioimpedance during muscle movement // 15th International Conference on Electrical Bio-Impedance. 2013. doi: 10.1088/1742-6596/434/1/011001

47. Способ бионического управления техническими устройствами: пат. RU2627818C1 РФ / Щукин С.И. [и др.]

48. Kusche R., Ryschka M. Combining Bioimpedance and EMG Measurements for Reliable Muscle Contraction Detection // IEEE Sens. J. 2019. Т. 19, №№ 23. С. 1168711696. doi: 10.1109/JSEN.2019.2936171

49. Славуцкий Я.Л. Физиологические аспекты биоэлектрического управления протезами. Москва: Медицина, 1982. 289 с.

50. Гурфинкель В.С. [и др.] Биоэлектрическое управление. Москва: Наука,

1972.

51. Wheeler K.R., Chang M.H., Knuth K.H. Gesture-based control and EMG decomposition // IEEE Trans. Syst. Man Cybern. Part C (Applications Rev). 2006. Т. 36, № 4. С. 503-514. doi: 10.1109/TSMCC.2006.875418

52. A human-assisting manipulator teleoperated by EMG signals and arm motions ./ Fukuda O. [и др.] // IEEE Trans. Robot. Autom. 2003. Т. 19, № 2. С. 210222. doi: 10.1109/TRA.2003.808873

53. Bitzer S., Van Der Smagt P. Learning EMG control of a robotic hand: Towards Active Prostheses // Proc. - IEEE Int. Conf. Robot. Autom. 2006. Т. 2006, № 6 2006. С. 2819-2823. doi: 10.1109/R0B0T.2006.1642128

54. Dalley S.A., Varol H.A., Goldfarb M. A method for the control of multigrasp myoelectric prosthetic hands // IEEE Trans. Neural Syst. Rehabil. Eng. 2012. Т. 20, №2 1. С. 58-67. doi: 10.1109/TNSRE.2011.2175488

55. Kiguchi K., Tanaka T., Fukuda T. Neuro-Fuzzy Control of a Robotic Exoskeleton With EMG Signals // IEEE Trans. Fuzzy Syst. 2004. Т. 12, № 4. С. 481490. doi: 10.1109/TFUZZ.2004.832525

56. Кобелев А.В., Щукин С.И. Антропоморфное управление протезом предплечья на основе электроимпедансной миографии // Физические основы приборостроения. 2019. Т. 8, № 4. С. 62-68. doi: 10.25210/jfop-1904-062068

57. Rautaray S.S., Agrawal A. Vision based hand gesture recognition for human computer interaction: a survey // Artif. Intell. Rev. 2012. Т. 43, № 1. С. 1-54. doi: 10.1007/s 10462-012-9356-9

58. Liu H., Wang L. Gesture recognition for human-robot collaboration: A review // Int. J. Ind. Ergon. Elsevier B.V. 2018. Т. 68. С. 355-367. doi: 10.1016/j.ergon.2017.02.004

59. Biomechatronic design and control of an anthropomorphic artificial hand for prosthetic applications / Zhang T. [и др.] // Robotica. 2016. Т. 34, № 10. С. 2291-2308. doi: 10.1017/S0263574714002902

60. OMG: Introducing optical myography as a new human machine interface for hand amputees / Nissler C. [и др.] // IEEE Int. Conf. Rehabil. Robot. 2015. № 9. С. 937942. doi: 10.1109/IC0RR.2015.7281324

61. Wu Y.T., Fujiwara E., Suzuki C.K. Evaluation of optical myography sensor as predictor of hand postures // IEEE Sens. J. IEEE, 2019. Т. 19, № 13. С. 5299-5306. doi: 10.1109/JSEN.2019.2905229

62. Vision-based hand pose estimation: A review / Erol A. [и др.] // Comput. Vis. Image Underst. 2007. Т. 108, № 1-2. С. 52-73. doi: 10.1016/j.cviu.2006.10.012

63. Digits: freehand 3D interactions anywhere using a wrist-worn gloveless sensor / Kim D. [и др.] // Proceedings of the 25th annual ACM symposium on User interface software and technology. 2012. С. 167-176. doi: 10.1145/2380116.2380139

64. Iravantchi Y., Goel M., Harrison C. BeamBand: Hand gesture sensing with ultrasonic beamforming // Conf. Hum. Factors Comput. Syst. - Proc. 2019. doi: 10.1145/3290605.3300245

65. Zhang Y., Harrison C. Tomo: Wearable, low-cost, electrical impedance tomography for hand gesture recognition // UIST 2015 - Proc. 28th Annu. ACM Symp. User Interface Softw. Technol. 2015. C. 167-173. doi: 10.1145/2642918.2647356

66. A Human-Machine Interface Using Electrical Impedance Tomography for Hand Prosthesis Control / Wu Y. [h gp.] // IEEE Trans. Biomed. Circuits Syst. 2018. T. 12, № 6. C. 1322-1333. doi: 10.1109/TBCAS.2018.2878395

67. Fujiwara E., Dos Santos M., Suzuki C. Flexible optical fiber bending transducer for application in glove-based sensors // IEEE Sens. J. 2014. T. 14, № 10. C. 3631-3636. doi: 10.1109/JSEN.2014.2330998

68. A Wearable Detector for Simultaneous Finger Joint Motion Measurement / Li X. [h gp.] // IEEE Trans. Biomed. Circuits Syst. 2018. T. 12, № 3. C. 644-654. doi: 10.1109/TBCAS.2018.2810182

69. Towards natural interaction in immersive reality with a cyber-glove / Almeida L. [h gp.] // Conf. Proc. - IEEE Int. Conf. Syst. Man Cybern. 2019. №10. C. 2653-2658. doi: 10.1109/SMC.2019.8914239

70. Dementyev A., Paradiso J. WristFlex: Low-power gesture input with wrist-worn pressure sensors // UIST 2014 - Proc. 27th Annu. ACM Symp. User Interface Softw. Technol. 2014. C. 161-166. doi: 10.1145/2642918.2647396

71. A Wearable Gesture Recognition Device for Detecting Muscular Activities Based on Air-Pressure Sensors / Jung P.G. [h gp.] // IEEE Trans. Ind. Informatics. 2015. T. 11, № 2. C. 485-494. doi: 10.1109/TII.2015.2405413

72. Rekimoto J. GestureWrist and GesturePad: unobtrusive wearable interaction devices // Proceedings Fifth International Symposium on Wearable Computers. IEEE Comput. Soc. 2001. № 2. C. 21-27. doi: 10.1109/ISWC.2001.962092

73. Hand shape classification with a wrist contour sensor: Development of a prototype device / Fukui R. [h gp.] // UbiComp'11 - Proc. 2011 ACM Conf. Ubiquitous Comput. 2011. C. 311-314. doi: 10.1145/2030112.2030154

74. Mcintosh J., Marzo A., Fraser M. SensIR: Detecting Hand Gestures with a Wearable Bracelet using Infrared Transmission and Reflectio // Proceedings of the 30th Annual ACM Symposium on User Interface Software and Technology. 2017. C. 593597. doi: 10.1145/3126594.3126604

75. Feature extraction of forearm EMG signals for prosthetics / Rafiee J. [h gp.] // Expert Syst. Appl. Elsevier Ltd. 2011. T. 38, № 4. C. 4058-4067. doi: 10.1016/j.eswa.2010.09.068

76. Belyea A.T., Englehart K.B., Scheme E.J. A proportional control scheme for high density force myography // J. Neural Eng. 2018. T. 15, № 4. doi: 10.1088/1741-2552/aac89b

77. Surface electromyography signal processing and classification techniques / Chowdhury R.H. [h gp.] // Sensors (Switzerland). 2013. T. 13, № 9. C. 12431-12466. doi: 10.3390/s130912431

78. Merletti R., Parker P. Electromyography: Physiology, Engineering, and Non-Invasive Applications. John Wiley & Sons, Inc. 2004. № 1. 520 c.

79. Garcia M.C., Vieira T. Surface electromyography: Why, when and how to use it // Rev. Andaluza Med. del Deport. 2011. T. 4. C. 17-28.

80. Micera S., Carpaneto J., Raspopovic S. Control of Hand Prostheses Using Peripheral Information // IEEE Rev. Biomed. Eng. 2010. T. 3. C. 48-68. doi: 10.1109/RBME.2010.2085429

81. Wang J., Tang L., Bronlund J. Surface EMG Signal Amplification and Filtering // Int. J. Comput. Appl. 2013. T. 82, № 1. C. 15-22. doi: 10.5120/14079-2073

82. De Luca C.J. Electromyography // Encyclopedia of medical devices and instrumentation, second edition. John Wiley Publisher, 2006. C. 98-109.

83. Mills K.R. The basics of electromyography // Neurol. Pract. 2005. T. 76, № 2. doi: 10.1136/jnnp.2005.069211

84. Technology and instrumentation for detection and conditioning of the surface electromyographic signal: State of the art / Merletti R. [h gp.] // Clin. Biomech. Elsevier Ltd, 2009. T. 24, № 2. C. 122-134. doi: 10.1016/j.clinbiomech.2008.08.006

85. Development of recommendations for SEMG sensors and sensor placement procedures / Hermens H.J. [h gp.] // J. Electromyogr. Kinesiol. 2000. T. 10, № 5. C. 361374. doi: 10.1016/S1050-6411(00)00027-4

86. Zwarts M.J., Stegeman D.F. Multichannel surface EMG: Basic aspects and clinical utility // Muscle and Nerve. 2003. T. 28, № 1. C. 1-17. doi: 10.1002/mus.10358

87. Farina D., Merletti R., Enoka R. The extraction of neural strategies from the surface EMG // J. Appl. Physiol. 2004. T. 96, № 4. C. 1486-1495. doi: 10.1152/japplphysiol.01070.2003

88. Hand gesture recognition based on motor unit spike trains decoded from high-density electromyography / Chen C. [h gp.] // Biomed. Signal Process. Control. Elsevier Ltd, 2020. T. 55. doi: 10.1016/j.bspc.2019.101637

89. Robust hand gesture recognition with a double channel surface EMG wearable armband and SVM classifier / Tavakoli M. [h gp.] // Biomed. Signal Process. Control. Elsevier Ltd, 2018. T. 46. C. 121-130. doi: 10.1016/j.bspc.2018.07.010

90. Cerone G., Gazzoni M. Wearable and Wireless HD-sEMG Acquisition Systems: Recent Advances. Springer International Publishing. 2019. T. 1, № 1. C. 11561160.

91. Advances in surface EMG: Recent progress in clinical research applications / Merletti R. [h gp.] // Crit. Rev. Biomed. Eng. 2010. T. 38, № 4. C. 347-379. doi: 10.1615/CritRevBiomedEng.v3 8.i4.20

92. Towards optimal multi-channel EMG electrode configurations in muscle force estimation: A high density EMG study / Staudenmann D. [h gp.] // J. Electromyogr. Kinesiol. 2005. T. 15, № 1. C. 1-11. doi: 10.1016/j.jelekin.2004.06.008

93. Tutorial: Analysis of motor unit discharge characteristics from high-density surface EMG signals / Del Vecchio A. [h gp.] // J. Electromyogr. Kinesiol. 2020. T. 53. doi: 10.1016/j.j elekin.2020. 102426

94. Xiao Z.G., Menon C. A review of force myography research and development // Sensors (Switzerland). 2019. T. 19, № 20. doi: 10.3390/s19204557

95. Ravindra V., Castellini C. A Comparative Analysis of Three Non-Invasive Human-Machine Interfaces for the Disabled // Front. Neurorobot. 2014. Т. 8. doi: 10.3389/fnbot.2014.00024

96. Yaniger S.I. Force Sensing Resistors: A Review Of The Technology // Electro International. 1991. С. 666-668. doi: 10.1109/ELECTR.1991.718294

97. Proceedings of the first workshop on Peripheral Machine Interfaces: going beyond traditional surface electromyography / Castellini C. [и др.] // Front. Neurorobot. 2014. Т. 8. doi: 10.3389/fnbot.2014.00022

98. Exploration of Force Myography and surface Electromyography in hand gesture classification / Jiang X. [и др.] // Med. Eng. Phys. 2017. Т. 41. С. 63-73. doi: 10.1016/j.medengphy.2017.01.015

99. Assessment of a Wearable Force- and Electromyography Device and Comparison of the Related Signals for Myocontrol / Connan M. [и др.] // Front. Neurorobot. 2016. Т. 10. doi: 10.3389/fnbot.2016.00017

100. Interlink Electronics FSR 400 Series Data Sheet // https://www.interlinkelectronics.com/fsr-400 (дата обращения 09.10.2020)

101. Jiang X., Merhi L., Menon C. Force Exertion Affects Grasp Classification Using Force Myography // IEEE Trans. Human-Machine Syst. 2018. Т. 48, №2 2. С. 219226. doi: 10.1109/THMS.2017.2693245

102. Xiao Z., Menon C. Towards the development of a wearable feedback system for monitoring the activities of the upper-extremities // J. Neuroeng. Rehabil. 2014. Т. 11, № 1. С. 1-13. doi: 10.1186/1743-0003-11-2

103. Dabling J., Filatov A., Wheeler J. Static and cyclic performance evaluation of sensors for human interface pressure measurement // 2012 Annual International Conference of the IEEE Engineering in Medicine and Biology Society. 2012. С. 162165. doi: 10.1109/EMBC.2012.6345896

104. Smith T.G., Stokes M.J. Technical aspects of acoustic myography (AMG) of human skeletal muscle: contact pressure and force/AMG relationships // J. Neurosci. Methods. 1993. Т. 47, № 1. С. 85-92. doi: 10.1016/0165-0270(93)90024-L

105. Ng M., Pourmajidian M., Hamzaid N. Mechanomyography sensors for detection of muscle activities and fatigue during Fes-evoked contraction // 2014 IEEE 19th Int. Funct. Electr. Stimul. Soc. Annu. Conf. IFESS 2014 - Conf. Proc. 2014. doi: 10.1109/IFESS.2014.7036759

106. Mechanomyogram for Muscle Function Assessment: A Review / Islam M.A. [и др.] // PLoS ONE. 2013. Т. 8, № 3. doi: 10.1371/journal.pone.0058902

107. A systematic review of muscle activity assessment of the biceps brachii muscle using mechanomyography / Talib I. [и др.] // J. Musculoskelet. Neuronal Interact. 2018. Т. 18, № 4. С. 446-462.

108. Mechanomyography sensor development, related signal processing, and applications: A systematic review / Islam M.A. [и др.] // IEEE Sens. J. 2013. Т. 13, № 7. С. 2499-2516. doi: 10.1109/JSEN.2013.2255982

109. Does the frequency content of the surface mechanomyographic signal reflect motor unit firing rates? A brief review / Beck T.W. [и др.] // J. Electromyogr. Kinesiol. 2007. Т. 17, № 1. С. 1-13. doi: 10.1016/j.jelekin.2005.12.002

110. Tarata M.T. Mechanomyography versus Electromyography, in monitoring the muscular fatigue // Biomed. Eng. Online. 2003. Т. 2, № 1. doi: 10.1186/1475-925X-2-3

111. Quadriceps Femoris Muscle Torques and Fatigue Generated by Neuromuscular Electrical Stimulation With Three Different Waveforms / Laufer Y. [и др.] // Phys. Ther. 2001. Т. 81, № 7. С. 1307-1316. doi: 10.1093/ptj/81.7.1307

112. Mechanical behaviour of condenser microphone in mechanomyography / Watakabe M. [и др.] // Med. Biol. Eng. Comput. 2001. Т. 39, № 2. С. 195-201. doi: 10.1007/BF02344804

113. Characteristics of surface mechanomyogram are dependent on development of fusion of motor units in humans / Yoshitake Y. [и др.] // J. Appl. Physiol. 2002. Т. 93, № 5. С. 1744-1752. doi: 10.1152/japplphysiol.00008.2002

114. Silva J., Heim W., Chau T. A Self-Contained, Mechanomyography-Driven Externally Powered Prosthesis // Arch. Phys. Med. Rehabil. 2005. Т. 86, № 10. С. 20662070. doi: 10.1016/j.apmr.2005.03.034

115. Hand-motion patterns recognition based on mechanomyographic signal analysis / Zeng Y. [h gp.] // FBIE 2009 Int. Conf. Futur. Biomed. Inf. Eng. 2009. C. 2124. doi: 10.1109/FBIE.2009.5405882

116. Mechanomyography sensors for muscle assessment: A brief review / Islam A. [h gp.] // J. Phys. Ther. Sci. 2012. T. 24, № 12. C. 1359-1365. doi: 10.1589/jpts.24.1359

117. Barry D.T., Geiringer S.R., Ball R.D. Acoustic myography: A noninvasive monitor of motor unit fatigue // Muscle Nerve. 1985. T. 8, № 3. C. 189-194. doi: 10.1002/mus.880080303

118. MMG-torque estimation under dynamic contractions / Lei K.F. [h gp.] // Conf. Proc. - IEEE Int. Conf. Syst. Man Cybern. 2011. C. 585-590.

119. Gavriel C., Faisal A. A comparison of day-long recording stability and muscle force prediction between bsn-based mechanomyography and electromyography // Proc. - 11th Int. Conf. Wearable Implant. Body Sens. Networks, BSN. 2014. C. 69-74. doi: 10.1186/1743-0003-7-22

120. Gregori B., Galie E., Accornero N. Surface electromyography and mechanomyography recording: A new differential composite probe // Med. Biol. Eng. Comput. 2003. T. 41, № 6. C. 665-669. doi: 10.1109/ICSMC.2011.6083774

121. Talib I., Sundaraj K., Lam C. Choice of mechanomyography sensors for diverse types of muscle activities // J. Telecommun. Electron. Comput. Eng. 2018. T. 10, № 1-13. C. 79-82. doi: 10.1109/BSN.2014.23

122. Alves N., Chau T. The design and testing of a novel mechanomyogram-driven switch controlled by small eyebrow movements // J. Neuroeng. Rehabil. 2010. T. 7, № 1. doi: 10.1007/BF02349974

123. The mechanism of low-frequency sound production in muscle / Frangioni J.V. [h gp.] // Biophys. J. 1987. T. 51, № 5. C. 775-783. doi: 10.1016/S0006-3495(87)83404-5

124. Stokes M.J. Acoustic Myography: Applications and Considerations in Measuring Muscle Performance // Isokinet. Exerc. Sci. 1993. T. 3, № 1. C. 4-15. doi: 10.3233/IES-1993-3101

125. A framework for hand gesture recognition based on accelerometer and EMG sensors / Zhang X. [и др.] // IEEE Trans. Syst. Man, Cybern. Part ASystems Humans. 2011. Т. 41, № 6. С. 1064-1076. doi: 10.1109/TSMCA.2011.2116004

126. Xu C., Pathak P., Mohapatra P. Finger-writing with smartwatch: A case for finger and hand gesture recognition using smartwatch // HotMobile 2015 - 16th Int. Work. Mob. Comput. Syst. Appl. 2015. С. 9-14. doi: 10.1145/2699343.2699350

127. Laput G., Xiao R., Harrison C. ViBand: High-fidelity bio-acoustic sensing using commodity smartwatch accelerometers // UIST 2016 - Proc. 29th Annu. Symp. User Interface Softw. Technol. 2016. С. 321-333. doi: 10.1145/2984511.2984582

128. Wen H., Rojas J., Dey A. Serendipity: Finger gesture recognition using an off-the-shelf smartwatch // Conf. Hum. Factors Comput. Syst. - Proc. 2016. № 10. С. 3847-3851. doi: 10.1145/2858036.2858466

129. Acceleration sensing glove (ASG) / Perng J.K. [и др.] // Int. Symp. Wearable Comput. Dig. Pap. 1999. С. 178-180. doi: 10.1109/iswc.1999.806717

130. Wearable Organic Optoelectronic Sensors for Medicine / Bansal A.K. [и др.] // Adv. Mater. 2015. Т. 27, № 46. С. 7638-7644. doi: 10.1002/adma.201403560

131. Herrmann S., Attenberger A., Buchenrieder K. Prostheses control with combined near-infrared and myoelectric signals // Lect. Notes Comput. Sci. 2012. С. 601-608. doi: 10.1007/978-3-642-27579-1_77

132. Development of a Multi-Channel Compact-Size Wireless Hybrid sEMG/NIRS Sensor System for Prosthetic Manipulation / Guo W. [и др.] // IEEE Sens. J. 2016. Т. 16, № 2. С. 447-456. doi: 10.1109/JSEN.2015.2459067

133. Overview of therapeutic ultrasound applications and safety considerations / Miller D.L. [и др.] // J. Ultrasound Med. 2012. Т. 31, № 4. С. 623-634. doi: 10.7863/jum.2012.31.4.623

134. Sonomyography: Monitoring morphological changes of forearm muscles in actions with the feasibility for the control of powered prosthesis / Zheng Y.P. [и др.] // Med. Eng. Phys. 2006. Т. 28, № 5. С. 405-415. doi: 10.1016/j.medengphy.2005.07.012

135. González D.S., Castellini C. A realistic implementation of ultrasound imaging as a human-machine interface for upper-limb amputees // Front. Neurorobot. 2013. T. 7, № 10. C. 1-11. doi: 10.3389/fnbot.2013.00017

136. Novel method for predicting dexterous individual finger movements by imaging muscle activity using a wearable ultrasonic system / Sikdar S. [h gp.] // IEEE Trans. Neural Syst. Rehabil. Eng. 2014. T. 22, № 1. C. 69-76. doi: 10.1109/TNSRE.2013.2274657

137. EchoFlex: Hand Gesture Recognition using Ultrasound Imaging / Mcintosh J. [h gp.] // Proceedings of the 2017 CHI Conference on Human Factors in Computing Systems. 2017. C. 1923-1934. doi: 10.1145/3025453.3025807

138. Sonomyography (smg) control for powered prosthetic hand: A Study with normal subjects / Chen X. [h gp.] // Ultrasound Med. Biol. 2010. T. 36, № 7. C. 10761088. doi: 10.1016/j.ultrasmedbio.2010.04.015

139. Zhang Y., Xiao R., Harrison C. Advancing hand gesture recognition with high resolution electrical impedance tomography // UIST 2016 - Proc. 29th Annu. Symp. User Interface Softw. Technol. 2016. C. 843-850. doi: 10.1145/2984511.2984574

140. Sears H., Shaperman J. Proportional myoelectric hand control: an evaluation // Am. J. Phys. Med. Rehabil. 1991. T. 70, № 1. C. 20-28. doi: 10.1097/00002060199102000-00005

141. Farrell T.R. Determining delay created by multifunctional prosthesis controllers // J. Rehabil. Res. Dev. 2011. T. 48, № 6. doi: 10.1682/JRRD.2011.03.0055

142. Determining the optimal window length for pattern recognition-based myoelectric control: Balancing the competing effects of classification error and controller delay / Smith L.H. [h gp.] // IEEE Trans. Neural Syst. Rehabil. Eng. 2011. T. 19, № 2. C. 186-192. doi: 10.1109/TNSRE.2010.2100828

143. Nakamura Y., Nagai K., Yoshikawa T. Mechanics of coordinative manipulation by multiple robotic mechanisms // Proceedings IEEE International Conference on Robotics and Automation. Institute of Electrical and Electronics Engineers. 1987. T. 4. C. 991-998. doi: 10.1109/R0B0T.1987.1087941

144. Капанджи А.И. Верхняя конечность. Физиология суставов. Москва: Эксмо, 2019. № 7. 365 с.

145. Ozdoba C. Imaios.com: e-MRI Reloaded and More // Clin. Neuroradiol. 2013. Т. 23, № 1. С. 69-71. doi: 10.1007/s00062-012-0193-7.

146. Dynamic MRS and MRI of skeletal muscle function and biomechanics / Prompers J.J. [и др.] // NMR Biomed. 2006. Т. 19, № 7. С. 927-953. doi: 10.1002/nbm.1095

147. Comparison of MRI with EMG to study muscle activity associated with dynamic plantar flexion / Price T.B. [и др.] // Magn. Reson. Imaging. 2003. Т. 21, № 8. С. 853-861. doi: 10.1016/S0730-725X(03)00183-8

148. Alfen N., Mah J.K. Neuromuscular Ultrasound: A New Tool in Your Toolbox // Can. J. Neurol. Sci. / J. Can. des Sci. Neurol. 2018. Т. 45, № 5. С. 504-515. doi: 10.1017/cjn.2018.269

149. Dynamic ultrasound imaging—A multivariate approach for the analysis and comparison of time-dependent musculoskeletal movements / Lofstedt T. [и др.] // BMC Med. Imaging. 2012. Т. 12, № 1. doi: 10.1186/1471-2342-12-29

150. Sikdar S., Wei Q., Cortes N. Dynamic Ultrasound Imaging Applications to Quantify Musculoskeletal Function // Exerc. Sport Sci. Rev. 2014. Т. 42, № 3. С. 126135. doi: 10.1249/JES.0000000000000015

151. Standardized Ultrasound Measurement of Subcutaneous Fat Patterning: High Reliability and Accuracy in Groups Ranging from Lean to Obese / Storchle P. [и др.] // Ultrasound Med. Biol. 2017. Т. 43, № 2. С. 427-438. doi: 10.1016/j.ultrasmedbio.2016.09.014

152. Schwan H.P. Alternating current electrode polarization // Biophysik. 1966. Т. 3, № 2. С. 181-201. doi: 10.1007/BF01191612

153. Schwan H.P. Electrode polarization impedance and measurements in bioligical materials // Ann. N. Y. Acad. Sci. 1968. Т. 148, № 1 Bioelectrodes. С. 191209. doi: 10.1111/j.1749-6632.1968.tb20349.x

154. Electrodes-the challenge in electrical characterization of biological material / Barthel A. [h gp.] // J. Phys. Conf. Ser. 2012. T. 407, № 1. C. 1-4. doi: 10.1088/17426596/407/1/012027

155. Fatt P. An analysis of the transverse electrical impedance of striated muscle // Proc. R. Soc. London. Ser. B. Biol. Sci. 1964. T. 159, № 977. C. 606-651. doi: 10.1098/rspb.1964.0023

156. Epstein B.R., Foster K.R. Anisotropy in the dielectric properties of skeletal muscle // Med. Biol. Eng. Comput. 1983. T. 21, № 1. C. 51-55. doi: 10.1007/BF02446406

157. Geometric effects on resistivity measurements with four-electrode probes in isotropic and anisotropic tissues / Wang Y. [h gp.] // IEEE Trans. Biomed. Eng. 1998. T. 45, № 7. C. 877-884. doi: 10.1109/10.686795

158. Mobley B.A., Leung J., Eisenberg R.S. Longitudinal impedance of single frog muscle fibers // J. Gen. Physiol. 1975. T. 65, № 1. C. 97-113. doi: 10.1085/jgp.65.1.97

159. Mobley B., Eidt G. Transverse Impedance of Single Frog Skeletal Muscle Fibers // Biophys. J. Elsevier, 1982. T. 40, № 1. C. 51-59. doi: 10.1016/S0006-3495(82)84457-3

160. Malmivuo J., Plonsey R. Bioelectromagnetism Principles and Applications of Bioelectric // Oxford Univ. Press. 1995. 512 c.

161. Metin A. Wiley Encyclopedia of Biomedical Engineering // Wiley-Interscience. 2006. № 6. 4037 c.

162. Sverre G., 0rjan G. Bioimpedance and Bioelectricity Basics // Biomaterials. Elsevier. 2008. 584 c.

163. Cybulski G. Ambulatory Impedance Cardiography // Springer-Verlag Berlin Heidelberg. 2011. T. 76. C. 114. doi: 10.1007/978-3-642-11987-3

164. The electric resistivity of human tissues (100 Hz-10 MHz): a meta-analysis of review studies / Faes T.J.C. [h gp.] // Physiol. Meas. 1999. T. 20, № 4. doi: 10.1088/0967-3334/20/4/201

165. Albulbul A., Chan A. Electrode-skin impedance changes due to an externally applied force // 2012 IEEE International Symposium on Medical Measurements and Applications Proceedings. 2012. С. 1-4. doi: 10.1109/MeMeA.2012.6226628

166. Taji B., Chan A., Shirmohammadi S. Effect of Pressure on Skin-Electrode Impedance in Wearable Biomedical Measurement Devices // IEEE Trans. Instrum. Meas. 2018. Т. 67, № 8. С. 1900-1912. doi: 10.1109/TIM.2018.2806950

167. Burbank D.P., Webster J.G. Reducing skin potential motion artefact by skin abrasion // Med. Biol. Eng. Comput. 1978. Т. 16, № 1. С. 31-38. doi: 10.1007/BF02442929

168. Searle A., Kirkup L. A direct comparison of wet, dry and insulating bioelectric recording electrodes // Physiol. Meas. 2000. Т. 21, № 2. С. 271-283. doi: 10.1088/0967-3334/21/2/307

169. Albulbul A. Evaluating Major Electrode Types for Idle Biological Signal Measurements for Modern Medical Technology // Bioengineering. 2016. Т. 3, № 3. С. 20. doi: 10.3390/bioengineering3030020

170. Chi Y.M., Jung T.P., Cauwenberghs G. Dry-contact and noncontact biopotential electrodes: Methodological review // IEEE Rev. Biomed. Eng. 2010. Т. 3. С. 106-119. doi: 10.1109/RBME.2010.2084078

171. Dry electrodes for electrocardiography / Meziane N. [и др.] // Physiol. Meas. 2013. doi: 10.1088/0967-3334/34/9/R47

172. Самойлов В.О. Медицинская биофизика: Учебник. СПб.: СпецЛит, 2004. 591 с.

173. Щукин С.И. Основы взаимодействия физических полей с биообъектами: Учебное пособие. Москва: МГТУ, 2002. 66 с.

174. IT'IS Database for thermal and electromagnetic parameters of biological tissues, Version 4.0 // https://itis.swiss/virtual-population/tissue-properties (дата обращения 09.10.2020)

175. Schwan H.P., Kay C.F. The conductivity of living tissues // Ann. N. Y. Acad. Sci. 1957. Т. 65, № 6. С. 1007-1013. doi: 10.1111/j.1749-6632.1957.tb36701.x

176. Dalziel C.F. The threshold of perception currents // AIEE Trans. Power App. Syst. 1954. Т. 73. С. 990-996.

177. Dalziel C. Electric shock hazard // IEEE Spectr. 1972. № 9. С. 41-50. doi: 10.1109/MSPEC.1972.5218692

178. Skin impedance from 1 Hz to 1 MHz / Rosell J. [и др.] // IEEE Trans. Biomed. Eng. 1988. Т. 35, № 8. С. 649-651. doi: 10.1109/10.4599

179. Boone K.G., Holder D.S. Effect of skin impedance on image quality and variability in electrical impedance tomography: a model study // Med. Biol. Eng. Comput. 1996. Т. 34, № 5. С. 351-354. doi: 10.1007/BF02520003

180. McEwan A., Cusick G., Holder D.S. A review of errors in multi-frequency EIT instrumentation // Physiol. Meas. 2007. Т. 28, № 7. doi: 10.1088/0967-3334/28/7/S15

181. Реокардиомониторные системы / Щукин С.И. [и др.] // Биомедицинская радиоэлектроника. 1999. Т. 3. С. 46 - 60.

182. Сергеев И.К. Биотехническая система импедансного мониторинга параметров центральной гемодинамики: дис. ... канд. техн. наук. Москва. 2004. 182 с.

183. Кирпиченко Ю.Е. Разработка биотехнической системы прекардиальной векторной электроимпедансной реографии: дис. ... канд. техн. наук. Москва. 2012. 141 с.

184. Тимохин Д.П. Разработка биотехнической системы многоканального электроимпедансного картирования биомеханической деятельности сердца: дис. ... канд. техн. наук. Москва. 2012. 141 с.

185. Малахов А.И. Биотехническая система многоканальных электроимпедансных исследований фазовой структуры деятельности: дис. ... канд. техн. наук. Москва. 2018. 127 с.

186. Аль Харош М. Биотехническая система окклюзионной многоканальной электроимпедансной локализации периферических венозных сосудов: дис. ... канд. техн. наук. Москва. 2017. 110 с.

187. Кудашов И.А. Биотехническая система контроля венепункции на основе измерений электрического импеданса: дис. ... канд. техн. наук. Москва. 2016. 125 с.

188. ГОСТ Р МЭК 60601-1-2010. Изделия медицинские электрические. Часть 1. Общие требования безопасности с учетом основных функциональных характеристик. М., 2011. 291 с.

189. Determination of Tissue Properties Based on Modeling and Electrical Impedance Registration / Briko A.N. [и др.] // 2020 Ural Symposium on Biomedical Engineering, Radioelectronics and Information Technology (USBEREIT). 2020. С. 2831.

190. Pryor R.W. Multiphysics Modeling Using COMSOL: A First Principles Approach. Jones & Bartlett Publishers. 2009. 852 с.

191. Direct current electrical resistivity forward modeling using comsol multiphysics / Sanuade O.A. [и др.] // Model. Earth Syst. Environ. 2020. doi: 10.1007/s40808-020-00898-4

192. Pettersen F.J., H0getveit J.O. From 3D tissue data to impedance using Simpleware ScanFE+IP and COMSOL Multiphysics - A tutorial // J. Electr. Bioimpedance. 2011. Т. 2, № 1. С. 13-32. doi: 10.5617/jeb.173

193. Введение в COMSOL Multiphysics 5.4 // https://www.comsol.ru/documentation (дата обращения 09.10.2020)

194. Заборовский А.И. Электроразведка. Москва: Гостоптехиздат, 1963. 423

с.

195. Kobelev A. V., Shchukin S.I., Leonhardt S. Application of Tetrapolar Electrode Systems in Electrical Impedance Measurements // Biomed. Eng. 2019. Т. 52, № 6. С. 383-386. doi: 10.1007/s10527-019-09852-w

196. Ногин В.Д. Принятие решений при многих критериях. Учебно-методическое пособие. СПб.: Издательство ЮТАС. 2007. 104 с.

197. Подиновский В.В., Ногин В.Д. Парето-оптимальные решения многокритериальных задач. Москва: Наука. Главная редакция физико-математической литературы. 1982. 256 с.

198. Influence of Electrodes Shape on Electrical Impedance Registration in Solving Bionic Control Problems / Briko A. [и др.] // 2020 Ural Symposium on Biomedical Engineering, Radioelectronics and Information Technology (USBEREIT). 2020. С. 73-76. doi: 10.1109/USBEREIT48449.2020.9117618

199. Laferriere P., Lemaire E.D., Chan A.D.C. Surface Electromyographic Signals Using Dry Electrodes // IEEE Trans. Instrum. Meas. 2011. Т. 60, №2 10. С. 32593268. doi: 10.1109/TIM.2011.2164279

200. Newman J. Resistance for Flow of Current to a Disk // J. Electrochem. Soc. 1966. Т. 113, № 5. doi: 10.1149/1.2424003

201. Srinivasa M.G., Pandian P.S. Dry electrodes for bio-potential measurement in wearable systems // 2017 2nd IEEE International Conference on Recent Trends in Electronics, Information & Communication Technology (RTEICT). 2017. С. 270-276. doi: 10.1109/RTEICT.2017.8256600

202. Дроздов Д.В. Влияние электродов на качество регистрации биопотенциалов // Функциональная диагностика. 2010. Т. 1. С. 43-47.

203. Assessment of errors in static electrical impedance tomography with adjacent and trigonometric current patterns / Kolehmainen V. [и др.] // Physiol. Meas. 1997. Т. 18, № 4. С. 289-303. doi: 10.1088/0967-3334/18/4/003

204. Yamamoto T., Yamamoto Y. Electrical properties of the epidermal stratum corneum // Med. Biol. Eng. 1976. Т. 14, № 2. С. 151-158. doi: 10.1007/BF02478741

205. Evaluation of the electrode system pressure force influence on neuro muscular activity signals / Briko A.N. [и др.] // 13th Russ. Ger. Conf. Biomed. Eng. 2018. Т. 32. С. 90-93.

206. Effect of Electrode Pressure on Neuromuscular Signals During Hand Movements / Briko A. [и др.] // 2019 Ural Symposium on Biomedical Engineering, Radioelectronics and Information Technology (USBEREIT). 2019. С. 120-123. doi: 10.1109/USBEREIT.2019.8736631

207. Joint influence of isometric hand grip force and electrode pressure on neuromuscular signals / Briko A.N. [и др.] // AIP Conference Proceedings. 2019. doi: 10.1063/1.5121933

208. Wisneski L. The Scientific Basis of Integrative Health. Routledge. 2017. 688

с.

209. Решение обратной задачи импедансометрии для оценки состояния кровообращения печени / Кобелев А.В. [и др.] // Биомедицинская радиоэлектроника. 2011. Т. 10. С. 28-32.

210. Determining elastic properties of skin by measuring surface waves from an impulse mechanical stimulus using phase-sensitive optical coherence tomography / Li C. [и др.] // J. R. Soc. Interface. 2012. Т. 9, № 70. С. 831-841. doi: 10.1098/rsif.2011.0583

211. Mukherjee S., Chawla A., Karthikeyan B. Review of the mechanical properties of human body soft tissues in the head, neck and spine // Inst. Eng. J. 2006. Т. 87. С. 10-24.

212. Studies on body composition. Theoretical considerations regarding the major body tissue components, with suggestions for application to man / Morales M.F. [и др.] // J. Biol. Chem. 1945. Т. 158. С. 677-684.

213. Elastic moduli and poisson's ratios of microscopic human femoral trabeculae / Hong J. [и др.] // IFMBE Proc. 2007. Т. 16, № 1. С. 274-277. doi: 10.1007/978-3-540-73044-6_68

214. Bolarinwa G.O., Singh N.K., Rai S.K. Development of Elastic Modulus -Density Chart for a Typical Femur Bone Model // Int. J. Res. Appl. Sci. Eng. Technol. 2015. Т. 3, № 9. С. 352-358.

215. Biomechanics and Mechanobiology of Trabecular Bone: A Review / Oftadeh R. [и др.] // J. Biomech. Eng. 2015. Т. 137, № 1. С. 1-15. doi: 10.1115/1.4029176

216. Briko A.N., Selutina S.E. Multichannel bioimpedance forearm mapping for biosignal management // AIP Conference Proceedings. 2019. doi: 10.1063/1.5121934

217. Briko A.N., Kobelev A. V., Shchukin S.I. Electrodes interchangeability during electromyogram and bioimpedance joint recording // 2018 Ural Symposium on Biomedical Engineering, Radioelectronics and Information Technology (USBEREIT). 2018. С. 17-20. doi: 10.1109/USBEREIT.2018.8384539

218. Briko A.N., Kobelev A.V., Shchukin S.I. Determining committed action type by dual-channel phase rheogram portrait for bioelectric forearm prosthetics // Proceedings of the 12th Russian-German Conference on Biomedical Engineering. 2016. С. 102-105.

219. Zouridakis G. Biomedical Technology and Devices Handbook // Biomedical Technology and Devices Handbook. CRC Press. 2003. 838 с.

220. Рангайян Р.М. Анализ биомедицинских сигналов. Практический подход. Москва: ФИЗМАЛИТ. 2007. 440 с.

221. Полищук В.И., Терехова Л.Г. Техника и методика реографии и реоплетизмографии. Москва: Медицина. 1983. 175 с.

222. Luzhnov P. V., Kobelev A. V., Shchukin S.I. Development of the method for impedance calibration in rheography // AIP Conference Proceedings. 2019. doi: 10.1063/1.5121964

223. Стенд регистрации нейромышечной активности при изометрическом схвате / Брико А.Н. [и др.] // Биомедицинская радиоэлектроника. 2018. Т. 10. С. 914. doi: 10.18127/j 15604136-201810-03

224. Оценка влияния силы прижатия электродной системы на сигналы нейромышечной активности / Брико А.Н. [и др.] // Биомедицинская радиоэлектроника. 2018. Т. 6. С. 32-35.

225. Isometric hand grab stand for neuromuscular activity research providing / Briko A. [и др.] // Proceedings of the IV International Forum. Izhevsk. 2018. С. 17-23.

226. Mizrahi J. Advances in Applied Electromyography // InTech. 2011. 226 c. doi: 10.5772/883

227. Hakonen M., Piitulainen H., Visala A. Current state of digital signal processing in myoelectric interfaces and related applications // Biomed. Signal Process. Control. Elsevier Ltd. 2015. Т. 18. С. 334-359. doi: 10.1016/j.bspc.2015.02.009

228. Evaluation of informative parameters of the EMG signal for controlling of prosthetic arm in real time / Markova M.V. [и др.] // Proceedings of the 11th German-Russian-Conference on Biomedical Engineering. 2015. С. 132-133.

229. Брико А.Н., Каправчук В.В. Стенд определения оптимального прижатия электродной системы для бионического управления на основе сигнала электрического импеданса // 14я Международная Научная Конференция Физика и Радиоэлектроника в Медицине и Экологии. Суздаль. 2020. С. 240-242.

ОТЗЫВ

научного руководителя соискателя ученой степени кандидата технических наук по специальности 05.11.17 - Приборы, системы и изделия медицинского назначения Брико Андрея Николаевича

Брико Андрей Николаевич в 2016 г. окончил ФГБОУ ВО МГТУ им. Н.Э. Баумана по специальности «200402 Инженерное дело в медико-биологической практике» с отличием.

В период подготовки диссертационной работы с 2016 по 2020 гг. Брико А.Н. обучался в очной аспирантуре на кафедре медико-технических информационных технологий ФГБОУ ВО МГТУ им. Н.Э. Баумана и работал ассистентом там же. Справка о сдаче кандидатских экзаменов выдана в 2020 г. ФГБОУ ВО МГТУ им. Н.Э. Баумана.

За время работы и учебы Брико А.Н. зарекомендовал себя инициативным, высококвалифицированным специалистом, умеющим самостоятельно решать медико-технические задачи.

Результаты работы Брико А.Н. внедрены в учебный процесс ФГБОУ ВО «Московский государственный технический университет имени Н.Э. Баумана» в рамках образовательных программ по направлению подготовки «Биотехнические системы и технологии»; нашли отражение в научно-исследовательских работах ПАО «РКК Энергия» и ПАО «ИНЭУМ им. И.С.Брука», используются в научно-практической деятельности Клиники реабилитации Университетской клинической больницы №2 Первого Московского государственного медицинского университета имени И.М. Сеченова и научно-технической деятельности Общества с ограниченной ответственностью «Научно-медицинской фирмы МБН». Основные положения работы докладывались и обсуждались на российских и международных конференциях.

Брико А.Н. выполнил диссертационную работу на актуальную тему, связанную с созданием нейромышечного интерфейса предплечья на основе комплексирования сигналов электроимпедансной, электромиографической и миотонической активности. В работе проведен большой объем теоретических и экспериментальных исследований, завершившихся разработкой метода антропоморфного и пропорционального управления на основе комплексирования электроимпедансного, электромиографического и миотонического сигналов определением действий типа схват, сгибание/разгибание и ротации с задержкой не более 150 мс и использованием не более двух электродных систем.

Считаю Брико Андрея Николаевича сложившимся ученым, достойным присуждения ученой степени кандидата технических наук по специальности 05.11.17 - Приборы, системы и изделия медицинского назначения.

Научный руководитель, д.т.н., проф.