应用神经网络滤波器改进肌电图信号滤波

Андрей Анатольевич Бошляков, Никита Александрович Шилов, Максим Иванович Жарков
{"title":"应用神经网络滤波器改进肌电图信号滤波","authors":"Андрей Анатольевич Бошляков, Никита Александрович Шилов, Максим Иванович Жарков","doi":"10.18799/29495407/2024/1/48","DOIUrl":null,"url":null,"abstract":"Электромиография – это метод измерения электрической активности мышц, который широко используется в биомеханике, медицинской диагностике и реабилитации. Однако сигналы электромиографии часто подвержены шумам и помехам, что затрудняет их интерпретацию и анализ. В данной работе предлагается фильтрация сигнала электромиографии на основе нейросетей, что позволяет эффективно извлекать полезную информацию из сигнала, минимизируя влияние шумов и искажений. Этот подход включает в себя предварительную обработку сигнала, разработку архитектуры нейросетевого фильтра и его обучение на подходящих данных. Экспериментальные результаты демонстрируют высокую эффективность этого метода по сравнению с аналоговыми методами фильтрации сигналов электромиографии. Возможности применения предлагаемого метода обработки сигналов охватывают сферы медицинского анализа и восстановительной медицины, где требуется точная обработка данных с электромиографией. В исследовании описывается процесс разработки системы идентификации данных для определения положения руки оператора копирующего манипулятора и прилагаемого усилия.","PeriodicalId":504856,"journal":{"name":"Известия ТПУ. Промышленная кибернетика.","volume":null,"pages":null},"PeriodicalIF":0.0000,"publicationDate":"2024-05-10","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":"{\"title\":\"Применение нейросетевых фильтров для улучшения фильтрации сигнала электромиографа\",\"authors\":\"Андрей Анатольевич Бошляков, Никита Александрович Шилов, Максим Иванович Жарков\",\"doi\":\"10.18799/29495407/2024/1/48\",\"DOIUrl\":null,\"url\":null,\"abstract\":\"Электромиография – это метод измерения электрической активности мышц, который широко используется в биомеханике, медицинской диагностике и реабилитации. Однако сигналы электромиографии часто подвержены шумам и помехам, что затрудняет их интерпретацию и анализ. В данной работе предлагается фильтрация сигнала электромиографии на основе нейросетей, что позволяет эффективно извлекать полезную информацию из сигнала, минимизируя влияние шумов и искажений. Этот подход включает в себя предварительную обработку сигнала, разработку архитектуры нейросетевого фильтра и его обучение на подходящих данных. Экспериментальные результаты демонстрируют высокую эффективность этого метода по сравнению с аналоговыми методами фильтрации сигналов электромиографии. Возможности применения предлагаемого метода обработки сигналов охватывают сферы медицинского анализа и восстановительной медицины, где требуется точная обработка данных с электромиографией. В исследовании описывается процесс разработки системы идентификации данных для определения положения руки оператора копирующего манипулятора и прилагаемого усилия.\",\"PeriodicalId\":504856,\"journal\":{\"name\":\"Известия ТПУ. Промышленная кибернетика.\",\"volume\":null,\"pages\":null},\"PeriodicalIF\":0.0000,\"publicationDate\":\"2024-05-10\",\"publicationTypes\":\"Journal Article\",\"fieldsOfStudy\":null,\"isOpenAccess\":false,\"openAccessPdf\":\"\",\"citationCount\":\"0\",\"resultStr\":null,\"platform\":\"Semanticscholar\",\"paperid\":null,\"PeriodicalName\":\"Известия ТПУ. Промышленная кибернетика.\",\"FirstCategoryId\":\"1085\",\"ListUrlMain\":\"https://doi.org/10.18799/29495407/2024/1/48\",\"RegionNum\":0,\"RegionCategory\":null,\"ArticlePicture\":[],\"TitleCN\":null,\"AbstractTextCN\":null,\"PMCID\":null,\"EPubDate\":\"\",\"PubModel\":\"\",\"JCR\":\"\",\"JCRName\":\"\",\"Score\":null,\"Total\":0}","platform":"Semanticscholar","paperid":null,"PeriodicalName":"Известия ТПУ. Промышленная кибернетика.","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.18799/29495407/2024/1/48","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 0

摘要

肌电图是一种测量肌肉电活动的技术,广泛应用于生物力学、医疗诊断和康复领域。然而,肌电信号通常会受到噪声和干扰的影响,因此难以解读和分析。本文提出了一种基于神经网络的肌电信号滤波方法,以有效提取信号中的有用信息,最大限度地减少噪声和失真的影响。该方法包括信号预处理、设计神经网络滤波器架构以及在合适的数据上对其进行训练。实验结果表明,与模拟肌电信号过滤方法相比,这种方法具有很高的效率。建议的信号处理方法的潜在应用领域包括医学分析和再生医学等需要精确处理肌电图数据的领域。本研究描述了开发数据识别系统的过程,该系统用于确定仿真机械手操作者的手部位置和施加的力。
本文章由计算机程序翻译,如有差异,请以英文原文为准。
Применение нейросетевых фильтров для улучшения фильтрации сигнала электромиографа
Электромиография – это метод измерения электрической активности мышц, который широко используется в биомеханике, медицинской диагностике и реабилитации. Однако сигналы электромиографии часто подвержены шумам и помехам, что затрудняет их интерпретацию и анализ. В данной работе предлагается фильтрация сигнала электромиографии на основе нейросетей, что позволяет эффективно извлекать полезную информацию из сигнала, минимизируя влияние шумов и искажений. Этот подход включает в себя предварительную обработку сигнала, разработку архитектуры нейросетевого фильтра и его обучение на подходящих данных. Экспериментальные результаты демонстрируют высокую эффективность этого метода по сравнению с аналоговыми методами фильтрации сигналов электромиографии. Возможности применения предлагаемого метода обработки сигналов охватывают сферы медицинского анализа и восстановительной медицины, где требуется точная обработка данных с электромиографией. В исследовании описывается процесс разработки системы идентификации данных для определения положения руки оператора копирующего манипулятора и прилагаемого усилия.
求助全文
通过发布文献求助,成功后即可免费获取论文全文。 去求助
来源期刊
自引率
0.00%
发文量
0
×
引用
GB/T 7714-2015
复制
MLA
复制
APA
复制
导出至
BibTeX EndNote RefMan NoteFirst NoteExpress
×
提示
您的信息不完整,为了账户安全,请先补充。
现在去补充
×
提示
您因"违规操作"
具体请查看互助需知
我知道了
×
提示
确定
请完成安全验证×
copy
已复制链接
快去分享给好友吧!
我知道了
右上角分享
点击右上角分享
0
联系我们:info@booksci.cn Book学术提供免费学术资源搜索服务,方便国内外学者检索中英文文献。致力于提供最便捷和优质的服务体验。 Copyright © 2023 布克学术 All rights reserved.
京ICP备2023020795号-1
ghs 京公网安备 11010802042870号
Book学术文献互助
Book学术文献互助群
群 号:481959085
Book学术官方微信