Индивидуальное распознавание типа хвата и субъективно заданного уровня усилия по сигналам поверхностной электромиографии: Пилотное исследование для применения в протезировании при врожденном или приобретенном отсутствии верхней конечности
DOI:
https://doi.org/10.52889/1684-9280-2026-77-5-jto067Ключевые слова:
электромиография, искусственные конечности, машинное обучение, носимые электронные устройства, дискриминантный анализ, верхняя конечностьАннотация
Цель исследования: оценить возможность индивидуального распознавания типа хвата и субъективно задаваемого уровня усилия по данным поверхностной электромиографии у взрослых без ампутации верхней конечности, а также выявить непреднамеренные выходы при обычных движениях. Исследование рассматривается как предварительный этап разработки управления протезом для людей с врожденным или приобретённым отсутствием верхней конечности.
Методы. Четыре взрослых участника без ампутации верхней конечности выполняли восемь командных состояний: покой, раскрытие кисти, а также силовой и щипковый хват при низком, среднем и высоком усилии по вербальной инструкции. Категории усилия были субъективными; механическая сила не измерялась. Для каждого участника обучали отдельную модель линейного дискриминантного анализа на временных признаках последовательных окон сигнала, после чего применяли каузальное мажоритарное голосование по двадцати окнам. Оценка включала отложенные испытания, отделенные от обучения, новые записанные командные испытания и обычные движения без намерения управлять. К последним ретроспективно применяли порог уверенности 0,60. Все записи получены за один визит; физический протез не приводился в действие. Результаты обобщали описательно.
Результаты. В отложенных испытаниях средняя сбалансированная точность составила 0,810 для исходных окон, 0,823 после мажоритарного голосования и 0,875 для решений на уровне испытаний. Среди выходов с правильно распознанным типом хвата усилие распознавалось точнее при силовом хвате (0,970), чем при щипковом (0,706). В новых испытаниях средняя сбалансированная точность составила 0,902, точность на уровне испытаний — 0,939; при пороге уверенности охват достиг 0,925, сквозная точность — 0,862. При обычных движениях средняя доля непреднамеренных активных выходов снизилась с 35,6% до 22,3% после отбраковки по уверенности, при которой сохранялось 81,3% всех выходов. Самый длинный непрерывный эпизод активного выхода после отбраковки длился 7,25 секунды.
Выводы. В контролируемых условиях индивидуальный декодер распознавал заданные команды хвата и усилия. Непреднамеренные выходы при обычных движениях остаются ограничением для потенциального применения в протезировании. Результаты не доказывают клиническую пользу или возможность управления протезом; необходимы исследования с участием целевых пользователей, физическими протезами и функциональными заданиями.
Библиографические ссылки
1. Hudgins, B., Parker, P. K., & Scott, R. N. (1993). A new strategy for multifunction myoelectric control. IEEE Transactions on Biomedical Engineering, 40(1), 82–94. https://doi.org/10.1109/10.204774
2. Scheme, E., & Englehart, K. (2011). Electromyogram pattern recognition for control of powered upper-limb prostheses: State of the art and challenges for clinical use. Journal of Rehabilitation Research and Development, 48(6), 643–659. https://doi.org/10.1682/JRRD.2010.09.0177
3. Farina, D., Jiang, N., Rehbaum, H., Holobar, A., Graimann, B., Dietl, H., & Aszmann, O. C. (2014). The extraction of neural information from the surface EMG for the control of upper-limb prostheses: Emerging avenues and challenges. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 22(4), 797–809. https://doi.org/10.1109/TNSRE.2014.2305111
4. Parajuli, N., Sreenivasan, N., Bifulco, P., Cesarelli, M., Savino, S., Niola, V., Esposito, D., Hamilton, T. J., Naik, G. R., Gunawardana, U., & Gargiulo, G. D. (2019). Real-time EMG-based pattern recognition control for hand prostheses: A review on existing methods, challenges, and future implementation. Sensors, 19(20), 4596. https://doi.org/10.3390/s19204596
5. Englehart, K., & Hudgins, B. (2003). A robust, real-time control scheme for multifunction myoelectric control. IEEE Transactions on Biomedical Engineering, 50(7), 848–854. https://doi.org/10.1109/TBME.2003.813539
6. Li, W., Shi, P., & Yu, H. (2021). Gesture recognition using surface electromyography and deep learning for prostheses hand: State-of-the-art, challenges, and future. Frontiers in Neuroscience, 15, 621885. https://doi.org/10.3389/fnins.2021.621885
7. Kyranou, I., Vijayakumar, S., & Erden, M. S. (2018). Causes of performance degradation in non-invasive electromyographic pattern recognition in upper limb prostheses. Frontiers in Neurorobotics, 12, 58. https://doi.org/10.3389/fnbot.2018.00058
8. Simon, A. M., Newkirk, K., Miller, L. A., Turner, K. L., Brenner, K., Stephens, M., & Hargrove, L. J. (2024). Implications of EMG channel count: Enhancing pattern recognition online prosthetic testing. Frontiers in Rehabilitation Sciences, 5, 1345364. https://doi.org/10.3389/fresc.2024.1345364
9. Aghchehli, E., Jabbari, M., Ma, C., Dyson, M., & Nazarpour, K. (2025). Medium density EMG armband for gesture recognition. Frontiers in Neurorobotics, 19, 1531815. https://doi.org/10.3389/fnbot.2025.1531815
10. Leone, F., Gentile, C., Ciancio, A. L., Gruppioni, E., Davalli, A., Sacchetti, R., Guglielmelli, E., & Zollo, L. (2019). Simultaneous sEMG classification of hand/wrist gestures and forces. Frontiers in Neurorobotics, 13, 42. https://doi.org/10.3389/fnbot.2019.00042
11. Leone, F., Mereu, F., Gentile, C., Cordella, F., Gruppioni, E., & Zollo, L. (2023). Hierarchical strategy for sEMG classification of the hand/wrist gestures and forces of transradial amputees. Frontiers in Neurorobotics, 17, 1092006. https://doi.org/10.3389/fnbot.2023.1092006
12. Stefanelli, E., Mohammadi, A., Wang, C., Yu, T., Tan, Y., Choong, P., Cordella, F., Zollo, L., & Oetomo, D. (2026). Simultaneous recognition of hand gestures, grasping force, and hand aperture using a wearable displacement myography system. IEEE Sensors Journal. Advance online publication. https://doi.org/10.1109/JSEN.2026.3679042
13. Zhou, C., Gao, Y., Gou, X., Yao, J., Wu, Q., Cao, D., He, X., & Yi, J. (2026). Feature-level fusion of surface electromyography and mechanomyography signals for MVC-normalized shoulder abduction force-level classification in healthy adults. Sensors, 26(14), 4351. https://doi.org/10.3390/s26144351
14. Billardello, R., Dejanovic, K., Cordella, F., D'Accolti, D., Cipriani, C., & Zollo, L. (2026). Hierarchical classification of EMG signal for hand and wrist gestures and forces in myoelectric control. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 34, 978–987. https://doi.org/10.1109/TNSRE.2026.3660210
15. Atzori, M., Gijsberts, A., Castellini, C., Caputo, B., Mittaz Hager, A.-G., Elsig, S., Giatsidis, G., Bassetto, F., & Müller, H. (2014). Electromyography data for non-invasive naturally-controlled robotic hand prostheses. Scientific Data, 1, 140053. https://doi.org/10.1038/sdata.2014.53PubMed
16. Dai, Q., Wong, Y., Kankanhalli, M., Li, X., & Geng, W. (2023). Improved network and training scheme for cross-trial surface electromyography (sEMG)-based gesture recognition. Bioengineering, 10(9), 1101. https://doi.org/10.3390/bioengineering10091101
17. Qiu, F., Liu, X., & Ye, X. (2025). Influence of electrode placement on the recognition of different gesture categories using high-density sEMG. Frontiers in Neuroscience, 19, 1750792. https://doi.org/10.3389/fnins.2025.1750792
18. Smith, L. H., Hargrove, L. J., Lock, B. A., & Kuiken, T. A. (2011). Determining the optimal window length for pattern recognition-based myoelectric control: Balancing the competing effects of classification error and controller delay. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 19(2), 186–192. https://doi.org/10.1109/TNSRE.2010.2100828
19. Niu, X., Zhang, D., Qu, C., Ren, L., Qian, Z., Wu, J., Wang, K., & Ren, L. (2026). Decoding hand gestures under arm movements based on electromyography and acceleration signals. Journal of Bionic Engineering, 23(2), 880–897. https://doi.org/10.1007/s42235-026-00858-1
20. Shinde, A., Shete, V., & Mehendale, N. (2026). Confidence-gated temporal voting for EMG-based prosthetic arm control: A low-cost end-to-end pipeline with quantified rejection behaviour. Frontiers in Rehabilitation Sciences, 7, 1864998. https://doi.org/10.3389/fresc.2026.1864998
21. Yamamoto, M., Chung, K. C., Sterbenz, J., Shauver, M. J., Tanaka, H., Nakamura, T., Oba, J., Chin, T., & Hirata, H. (2019). Cross-sectional international multicenter study on quality of life and reasons for abandonment of upper limb prostheses. Plastic and Reconstructive Surgery Global Open, 7(5), e2205. https://doi.org/10.1097/GOX.0000000000002205
22. Resnik, L., Borgia, M., & Clark, M. (2020). Function and quality of life of unilateral major upper limb amputees: Effect of prosthesis use and type. Archives of Physical Medicine and Rehabilitation, 101(8), 1396–1406. https://doi.org/10.1016/j.apmr.2020.04.003
23. Wang, H., Li, N., Gao, X., Jiang, N., & He, J. (2024). Analysis of electrode locations on limb condition effect for myoelectric pattern recognition. Journal of NeuroEngineering and Rehabilitation, 21, 177. https://doi.org/10.1186/s12984-024-01466-y
24. Rasines, I., Prada, M., Bobrov, V., Agrawal, D., Martinez, L., Iriondo, P., Remazeilles, A., & McIntyre, J. (2021). Regulating grip forces through EMG-controlled prostheses for transradial amputees. Applied Sciences, 11(23), 11199. https://doi.org/10.3390/app112311199
25. Jiang, N., Chen, C., He, J., Meng, J., Pan, L., Su, S., & Zhu, X. (2023). Bio-robotics research for non-invasive myoelectric neural interfaces for upper-limb prosthetic control: A 10-year perspective review. National Science Review, 10(5), nwad048. https://doi.org/10.1093/nsr/nwad048
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
