«Мозг – Компьютер» интерфейс (МКИ). Часть I: Классическая технология
Боковая панель статьи
Основное содержимое статьи
Аннотация
В традиционных методах МКИ могут использоваться различные типы сбора сигналов, в зависимости от приложения. В этой статье для рассмотрения выбрали решение на основе ЭЭГ-ЭМГ для управления искусственной роботизированной рукой, поскольку результаты, предлагаемые только моторным воображаемым решением, не удовлетворяют потребностям практики, за исключением того факта, что сигналы электроэнцефалограммы имеют меньшую амплитуду по сравнению с сигналами ЭМГ из-за ограниченного числа ментальных команд к которым можно получить доступ одновременно через интерфейс МКИ. Ментальные команды должны сочетаться с физическими командами, такими как жесты лица, которые также могут быть распознаны и сопоставлены с предопределенными последовательностями нажатий клавиш. Это делает невозможным создание последовательностей, включающих сложные движения группы серводвигателей в режиме реального времени, что необходимо для записи намерения движения, генерируемого каждой группой мышц, чтобы воспроизвести движение руки человека. Решение ЭЭГ также полезно для снижения человеческих ошибок, вызванных умственной нагрузкой, благодаря способности распознавать психические состояния, вызванные состоянием сонливости, сигнализируемым увеличением частоты моргания.
Скачивания
Информация о статье
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Библиографические ссылки
A hybrid brain–computer interface based on the fusion of electroencephalographic and electromyographic activities / R. Leeb, H. Sagha, R. Chavarriaga, J. R. Millán // Journal of Neural Engineering. – 2011. - Vol. 8. – No 2. – Pp. 025011. – DOI: 10.1088/1741-2560/8/2/025011.
Hong K.-S., Khan M. J. Hybrid Brain–Computer Interface Techniques for Improved Classification Accuracy and Increased Number of Commands: A Review // Front. Neurorobot. – 017. – Vol. 11. – No 1. – Article 35. – DOI: 10.3389/fnbot.2017.00035.
A Review on Electromyography Decoding and Pattern Recognition for Human-Machine Interaction / M. Simão, N. Mendes, O. Gibaru, P. Neto // IEEE Access. – Vol. 7. – 2019. – Pp. 39564-39582. – DOI: 10.1109/ACCESS.2019.2906584.
Zheng M., Crouch M. S., Eggleston M. S. Surface Electromyography as a Natural Human-Machine Interface: A Review // arXiv.org : [open archive]. – 2021. – arXiv:2101.04658 [cs.HC].
Winiarski D. The use of EMG signal in human-machine interface // AUTOMATYKA/ AUTOMATICS. – 2015. – Vol. 19. – No. 2. – Pp. 47-61. – DOI: 10.7494/automat.2015.19.2.47.
Gesture recognition by instantaneous surface EMG images / W. Geng [et al.] // SCIENTIFIC REPORTS. – 2016. – Vol. 6. – Pp. 36571. – DOI: 10.1038/srep36571.
Chopra T. Ultra-Low latency in Human-machine Interfacing using EMG Onset Detection and Pattern Recognition. - A thesis presented to the University of Waterloo in fulfilment of the thesis requirement for the degree of Master of Applied Science in System Design Engineering. – Waterloo, Ontario, Canada, 2021.
Guerrero-Mendez C.D., Ruiz-Olaya A.F. Coherence-based connectivity analysis of EEG and EMG signals during reach-to-grasp movement involving two weights // Brain-Computer Interfaces. – 2022. – Vol. 9. – No 3. – Pp. 140-154. – DOI: 10.1080/2326263X.2022.2029308
Hybrid EEG-EMG based brain computer interface (BCI) system for real-time robotic arm control / S. Abdullah, M. A. Khan, M. Serpelloni, E. Sardini // Advanced Materials Letters. – 2019. – Vol. 10. – No 1. – Pp. 35-40. – DOI: 10.5185/amlett.2019.2171.
A Survey of Tactile-Sensing Systems and Their Applications in Biomedical Engineering / Y .Al-Handarish [et al.] // Hindawi: Advances in Materials Science and Engineering. – 2020. – Vol. 2020. – Article ID 4047937. – DOI: 10.1155/2020/4047937.
Recent progress of skin-integrated electronics for intelligent sensing / D. Li [et al.] // Light: Ad-vanced Manufacturing. – 2021. – Vol. 2. – No 4. – DOI: 10.37188/lam.2021.004.
Recent advances in skin-like wearable sensors: sensor design, health monitoring, and intelligent auxiliary / Z. Huang [et al.] // Sens. Diagn. – 2022. – Vol. 1. – Pp. 686-708. – DOI: 10.1039/D2SD00037G.
An extremely simple macroscale electronic skin realized by deep machine learning / K-S. Sohn [et al.] // Scientific Reports. – 2017. – Vol. 7. – Article number: 11061. – DOI: 10.1038/s41598-017-11663-6.
A Survey of Tactile-Sensing Systems and Their Applications in Biomedical Engineering / Y. Al-Handarish [et al.] // Advances in Materials Science and Engineering. – 2020. – Vol. 2020. – Article ID 4047937. – DOI: 10.1155/2020/4047937.
Stiffness-Tuneable Segment for Continuum Soft Robots with Vertebrae / Z. Liu, L. Xu, X. Liang, J. Liu // Machines. 2022. – Vol. 10(7). – Pp. 581. – DOI: 10.3390/machines10070581.
CoboSkin: Soft Robot Skin with Variable Stiffness for Safer Human-Robot Collaboration / G. Pang [et al.] // IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS. – 2021. – Vol. 68. – No. 4. – Pp. 3303-3314. – DOI: 10.1109/TIE.2020.2978728.
Artificial arm for manipulations in toxic atmospheres based on EEG-EMG signals / S. Rosca [et al.] // SESAM 2019. – MATEC Web of Conferences. –2020. – Vol. 305. – Article Number: 00007. – DOI: 10.1051/matecconf/202030500007.
Caveats on the first-generation da Vinci Research Kit: latent technical constraints and essential calibrations / Z. Cui, J. Cartucho, S. Giannarou, F. R. y Baena // arXiv.org : [open archive]. –arXiv:2210.13598v1 [cs.RO] 24 Oct 2022.
All the Feels: A dexterous hand with large area sensing / R. Bhirangi [et al.] // arXiv.org : [open archive]. – arXiv:2210.15658v1 [cs.RO] 27 Oct 2022.
Berscheid L., Friedrich C., Kröger T. Robot Learning of 6DoF Grasping using Model-based Adaptive Primitives // arXiv.org : [open archive]. – arXiv:2103.12810v1 [cs.RO] 23 Mar 2021.
Robot Cooking with Stir-fry: Bimanual Non-prehensile Manipulation of Semi-fluid Objects / J. Liu [et al.] // arXiv.org : [open archive]. – arXiv:2205.05960v1 [cs.RO] 12 May 2022.
SAM-RL: Sensing-Aware Model-Based Reinforcement Learning via Differentiable Physics-Based Simulation and Rendering / J. Liv [et al.] // arXiv.org : [open archive]. – arXiv:2210.15185v1 [cs.RO] 27 Oct 2022.
Marinho M. M., Quiroz-Omaña J. J., Harada K. Design and Validation of a Multi-Arm Robot Platform for Scientific Exploration // arXiv.org : [open archive]. – arXiv:2210.11877v1 [cs.RO] 21 Oct 2022.
Robust Control of a New Asymmetric Teleoperation Robot Based on a State Observer / B. Shi, H. Wu, Y. Zhu, M. Shang // Sensors. – 2021. – Vol. 21. – Pp. 6197. – DOI: 10.3390/s21186197.
See, Hear, and Feel: Smart Sensory Fusion for Robotic Manipulation / H. Li [et al.] // arXiv.org : [open archive]. – arXiv:2212.03858v1 [cs.RO] 7 Dec 2022.
Combined Use of EMG and EEG Techniques for Neuromotor Assessment in Rehabilitative Applications: A Systematic Review / C. Brambilla [et al.] // Sensors. – 2021. – Vol. 21. – Pp. 7014. – DOI: 10.3390/ s21217014.
Nolan, M. Multimodal Wearable Sensors for Human-Machine Interfaces. – Doctoral Thesis, Technological University Dublin, 2022. – DOI:10.21427/D79903.
Koydemir H. C., Ozcan A. Wearable and Implantable Sensors for Biomedical Applications // Annual Review of Analytical Chemistry – 2018. – Vol. 11(1). – Pp. 127-146. – DOI: 10.1146/annurev-anchem061417-125956.