Постановка проблеми: методи визначення початку руху і моментів планування руху є актуальними завданнями нейронауки, при цьому окремою проблемою є використання сигналів електричної активності м'язів (електроміограму) Для точного визначення моменту руху руки через складність, нестаціонарності та зашумленности вихідних сигналів. Особливо гостро стоїть питання для експериментів з одночасною реєстрацією електроміограми і електроенцефалограми, коли потрібно розглянути взаємодію між структурами мозку. Мета дослідження: розробка методики аналізу електроміограму сигналів і способів її застосування для детального дослідження рухової активності. Методи: використовується метод порогової детекції, заснований на фільтрації, згладжування вихідного сигналу з подальшим обчисленням похідною. Такий підхід дозволяє відносно швидко і точно оцінювати моменти початку руху навіть по ділянці ряду. Результати: розроблена методика, що дозволяє в автоматичному режимі визначати момент руху. Виявлено, що момент початку руху детектується через деякий час після сигналу в тому випадку, якщо рух починається з певного сигналу. Проведено розрахунок розподілу затримки між пред'явленням звукового сигналу і початком руху, оцінені статистичні властивості цього розподілу. Практична значимість: результати досліджень можуть бути використані для автоматичного детектування моментів початку руху в експериментах з одночасною реєстрацією електроенцефалограм і надалі застосовуватися для вирішення практичних завдань, пов'язаних з розробкою керованих протезів для реабілітації людей з обмеженими можливостями.

Анотація наукової статті за медичними технологіями, автор наукової роботи - Хорев В.С., Максименко В.А., Піцик Е.Н., Руннова А.Е., Куркін С.А.


Analysis of motor activity using electromyogram signals

Introduction: Methods of detecting the start of a movement and moments of movement planning are important in neuroscience. Using the signals of electrical activity of muscles (electromyograms) In order to precisely detect the moment of movement is a special problem, because the initial signals are complex, non-stationary and affected by noise. It is especially important in experiments with simultaneous registration of an EEG and an electromyogram, when you have to analyze the interaction between brain structures. Purpose: Development of methods for electromyogram data analysis and techniques for their use in a detailed study of motor activity. Methods: We use the threshold detection method based on calculating the derivative of the original signal filtered and smoothed. Such an approach makes it possible to estimate the starting points of the onset of motion relatively quickly and accurately, even along a part of a time series. Results: We have developed a technique which allows you to automatically detect the precursor of a movement start, based on the analysis of electromyographic signals. We have calculated the distribution of the delay between the presentation of a sound signal and the beginning of a movement, and evaluated the statistical properties of this distribution. Practical relevance: The results of this research can be used to automatically detect starting points in experiments with simultaneous EEG recording, and later be applied to solve practical problems related to the development of controlled prostheses for the rehabilitation of people with disabilities.


Область наук:
  • Медичні технології
  • Рік видавництва: 2019
    Журнал: Інформаційно-керуючі системи
    Наукова стаття на тему 'АНАЛІЗ РУХОВОЇ АКТИВНОСТІ З ВИКОРИСТАННЯМ СИГНАЛОВ електроміограму'

    Текст наукової роботи на тему «АНАЛІЗ РУХОВОЇ АКТИВНОСТІ З ВИКОРИСТАННЯМ СИГНАЛОВ електроміограму»

    ?УПРАВЛІННЯ У МЕДИЦИНІ ТА БІОЛОГІЇ /

    УДК 616.8, 57.087, 577.31 Наукові статті

    doi: 10.31799 / 1684-8853-2019-3-114-120 Articles

    Аналіз рухової активності з використанням сигналів електроміограму

    В. С. Хорева'б, канд. фіз.-мат. наук, старший науковий співробітник, orcid.org/0000-0001-6613-8940

    B. А. Максіменкоа, канд. фіз.-мат. наук, старший науковий співробітник, orcid.org/0000-0002-4632-6896 Е. Н. Піцик, молодший науковий співробітник, orcid.org/0000-0003-1850-2394

    А. Е. Руннова3в, канд. фіз.-мат. наук, старший науковий співробітник, orcid.org/0000-0002-2102-164X

    C. А. Куркіна, доктор фіз.-мат. наук, професор, orcid.org/0000-0002-3438-5717

    А. Е. Храмов3, доктор фіз.-мат. наук, професор, orcid.org/0000-0003-2787-2530, Ця електронна адреса захищена від спам-ботів. Вам потрібно увімкнути JavaScript, щоб побачити її. аУніверсітет Іннополіс, Університетська вул., 1, Іннополіс, 420500, РФ бСаратовскій національний дослідницький державний університет ім. Н. Г. Чернишевського, Астраханська вул., 83, Саратов, 410012, РФ

    вСаратовскій державний медичний університет ім. В. І. Розумовського, Б. Козача вул., 112, Саратов, 410012, РФ

    Постановка проблеми: методи визначення початку руху і моментів планування руху є актуальними завданнями нейронауки, при цьому окремою проблемою є використання сигналів електричної активності м'язів (електроміограму) для точного визначення моменту руху руки через складність, нестаціонарності та зашумленности вихідних сигналів. Особливо гостро стоїть питання для експериментів з одночасною реєстрацією електроміограми і електроенцефалограми, коли потрібно розглянути взаємодію між структурами мозку. Мета дослідження: розробка методики аналізу електроміограму сигналів і способів її застосування для детального дослідження рухової активності. Методи: використовується метод порогової детекції, заснований на фільтрації, згладжування вихідного сигналу з подальшим обчисленням похідною. Такий підхід дозволяє відносно швидко і точно оцінювати моменти початку руху навіть по ділянці ряду. Результати: розроблена методика, що дозволяє в автоматичному режимі визначати момент руху. Виявлено, що момент початку руху детектується через деякий час після сигналу в тому випадку, якщо рух починається з певного сигналу. Проведено розрахунок розподілу затримки між пред'явленням звукового сигналу і початком руху, оцінені статистичні властивості цього розподілу. Практична значимість: результати досліджень можуть бути використані для автоматичного детектування моментів початку руху в експериментах з одночасною реєстрацією електроенцефалограм і надалі застосовуватися для вирішення практичних завдань, пов'язаних з розробкою керованих протезів для реабілітації людей з обмеженими можливостями.

    Ключові слова - аналіз сигналів, рухова активність, електроміограми, фільтрація, автоматичний пошук, розпізнавання паттернів.

    Для цитування: Хорев В. С., Максименко В. А., Піцик Е. Н., Руннова А. Е., Куркін С. А., Храмов А. Є. Аналіз рухової активності з використанням сигналів електроміограму. Інформаційно-керуючі системи, 2019, № 3, с. 114-120. doi: 10.31799 / 1684-8853-2019-3-114-120

    For citation: Khorev V. S., Maksimenko V. A., Pitsik E. N., Runnova A. E., Kurkin S. A., Hramov A. E. Analysis of motor activity using electromyogram signals. Informatsionno-upravliaiushchie sistemy [Information and Control Systems], 2019, no. 3, pp. 114-120 (In Russian). doi: 10.31799 / 1684-8853-2019-3-114-120

    Вступ

    В даний час об'єктом великого наукового інтересу є процеси, що протікають в організмі людини, пов'язані з контролем рухової активності [1-6]. Актуальність даного наукового напрямку визначається можливістю застосування результатів в таких областях, як реабілітація, протезування, робототехніка та ін. Реєстрація та аналіз електроенцефалограм (ЕЕГ) є одним з найбільш об'єктивних методів дослідження роботи головного мозку людини безпосередньо під час скоєння руху [7-9]. Однак застосування ЕЕГ для аналізу рухової активності в основному має на увазі проведення експерименту по заздалегідь раз-

    Працював плану, згідно з яким руху виконуються за спеціальним сигналом. В даному випадку виникає проблема точного визначення моменту початку руху [10]. Аналіз електроміограму (ЕМГ) - сигналів електричної активності, порушуваних безпосередньо м'язовими волокнами, - є перспективним для вирішення даної проблеми [11]. У свою чергу аналіз таких сигналів утруднений через низьку амплітуди потенціалів, сильної нестаціонарності, наявності різних артефактів і поганий структурованості вихідних даних [12-14].

    З урахуванням вищесказаного існує необхідність розробки методик аналізу ЕМГ-сиг-лів і способів їх застосування для детального дослідження рухової активності.

    дані експерименту

    У роботі були використані дані випробуваного, що не має патологій центральної нервової системи. Під час експерименту проводилася одночасна реєстрація ЕМГ і ЕЕГ у вертикальному положенні тіла. Тривалість запису склала 150 хв. Під час реєстрації сигналів дихання було довільним.

    В ході експерименту реєструвалися сигнали неінвазивної ЕМГ з ліктьової м'язи. Випробуваний був проінструктований виконувати згин (I) і подальший розгин (II) руки з проміжною фіксацією в верхньому положенні за звуковим сигналом відповідно до схеми, представленої на рис. 1, а. Реєстрація сигналів здійснювалася з частотою 250 Гц при 12-розрядному дозволі за допомогою багатоканального електроенцефалограф-аналізатора ЕЕГА-21/26 «Енцефалан-131-03» модель 10 (НПКФ «Медіком-МТД», Росія) з комплектом стандартних датчиків. Для додаткового контролю рухової активності було використано задає пристрій копіює типу зі зворотним сіломоментной зв'язком, що представляє собою систему важеля конструкцію з пластика і легких сплавів, виконану аналогічно скелетної схемою людини зі збігом положення осей рухливості і суглобів. При цьому важільний механізм був ідентичний кінематичній схемі руки людини і містив аналог передпліччя, з'єднаного з плечем обертальної парою з одним ступенем свободи, що дозволяє отримувати дані про вчинення згину ліктьового суглоба одночасно із записом ЕМГ.

    Основна структура експерименту представлена ​​на рис. 1, б. В цілому експеримент складався з шести сесій, які включають в себе попередню реєстрацію фонової активності без виконання випробуваним спеціальних інструкцій протягом 15 хв, дві півгодинні

    сесії з підняттям руки за звуковим сигналом, дві сесії з довільним підняттям руки, заключну реєстрацію фонової активності без виконання випробуваним спеціальних інструкцій протягом 15 хв. Початок кожної сесії попереджав автоматичним аудіовізуальним попередженням випробуваного про її настання. Для сесій з підняттям руки за звуковим сигналом було заплановано 50 повторень руху, звукові стимули подавалися в довільні моменти часу, але передбачали не менше 10 з спокою між кожними двома. Для сесії з довільним підняттям руки звукові стимули не подавались, однак випробуваний був проінструктований перебувати в стані спокою також не менше 10 с після кожного періоду рухової активності. Експеримент проводився в першій половині дня в спеціально обладнаній лабораторії, де доброволець знаходився в комфортних умовах, що виключають наявність чинників, що заважають зразок сторонніх шумів і яскравого світла.

    Методи аналізу даних

    Для детектування моменту початку руху сигнал ЕМГ фільтрувався в смузі частот 1-10 Гц, потім згладжуються ковзним вікном довжиною 2 с, після чого по згладженому ряду знаходилася похідна сигналу. Шляхом зіставлення вихідного сигналу ЕМГ і отриманої похідною вдалося виявити, що в моменти часу, що відповідають початку руху, значення похідної перевищувало порогове значення (0,5 від максимального значення ряду).

    Таким чином, в результаті зіставлення значення надходження сигналу з граничним значенням в кожен відлік часу були отримані моменти, відповідні часи початку руху.

    б)

    Ф З З З З Ф

    ОЗСОСО

    0 30 60 90 120 150

    1 I I I I I >

    Час, хв

    | Рис. 1. Дизайн експерименту (а): I, II - положення руки в момент початку згину і розгину; тимчасова структура експерименту (б): Ф - періоди реєстрації фонової активності; З - періоди рухів по звуковому стимулу; З - періоди рухів без стимулу

    | Fig. 1. The motion design experimental setup (a): I, II corresponds to flexing and to extension; the structure of experimental sessions (б): Ф, З and З define a single period of background activity, audio stimulated movement and free movement respectively

    На рис. 2, а показаний типовий фрагмент сигналу ЕМГ, реєстрованого з ліктьової м'язи. Вертикальними штриховими лініями відзначені моменти звукових сигналів, відповідних командам. З рис. 2, а видно, що моментам виконання рухів відповідає різке збільшення амплітуди реєстрованого сигналу. На рис. 2, б і в представлені відповідно згладжений тимчасової ряд ЕМГ і його похідна. Граничне значення використовується для детектування моменту початку руху в автоматичному режимі.

    Граничне значення було вибрано відповідно до оптимальним співвідношенням чутливості і відсотка помилкових висновків про наявність руху. На рис. 3 представлені залежності чутливості методики і відсотка помилкових спрацьовувань від значення порога для детектування. Граничні значення перебиралися в діапазоні від нуля до максимального значення ряду з кроком 0,05. Як легко бачити з графіка, максимальна різниця припадає на значення, відповідне 0,5 від максимального значення ряду, яке в подальшому і було використано

    в)

    Фільтрований сигнал ЕМГ I I

    Перша похідна сигналу ЕМГ

    | Рис. 2. Фрагмент вихідного експериментального сигналу ЕМГ (а) і згладженого і фільтрованої в смузі 1-10 Гц сигналу ЕМГ (б); його похідна (зелена крива) і лінія порогового значення, яка використовується для визначення моменту початку руху (в) (моменти звукових сигналів відзначені червоними ризиками і штриховими лініями); збільшений фрагмент фільтрованої сигналу ЕМГ і його похідної, що демонструє наявність затримки h між моментом пред'явлення звукового сигналу (штрихова лінія) і моментом початку руху (пунктирна лінія) (г)

    | Fig. 2. Fragment of the original (raw) experimental EMG signal (a); smoothed and filtered EMG signal (blue curve) (б); its derivative (green curve) and the line of the threshold value used to determine the moments of the beginning of the movement (в). The moments of the sound signals are marked in red markers and vertical dash line; enlarged fragment of the filtered signal and its derivative, which demonstrates the delay h between the moment of presentation of the sound signal (dashed line) and the moment of beginning of the movement (dotted line) (г)

    0

    %

    100 -80 -60 -40 -20 -

    0

    0 0,2 0,4 0,6 0,8 0,1

    Порогове значення

    | Рис. 3. Залежність чутливості 1 і відсотка помилкових висновків 2 про початок руху від порогового значення

    | Fig. 3. The dependence of true positive 1 and the false positive 2 percentage of the movement onset from the threshold value

    для розрахунку розподілу затримок між часом пред'явлення звукового сигналу і моментом початку руху. Перевага підходу полягає в його простоті і швидкості в порівнянні з більш точними і складними методами, які вимагають індивідуального навчання [15, 16].

    Результати та обговорення

    Існує затримка за часом h між моментом пред'явлення звукового сигналу і детектувати моментом початку руху (див. Рис. 2, б). Для визначення характерного часу затримки на рис. 4 представлено статистичний розподіл величини h під час виконання експерименту, побудоване для оптимального порогового значення. Видно, що мода розподілу доводиться на час, відповідне 1,6-1,8 с. Вузькість отриманого розподілу свідчить на користь уявлення про те, що час підготовки до руху може бути оцінений і далі враховано в експерименті без пред'явлення звукового сигналу. Суцільною лінією на малюнку представлена ​​апроксимація нормальним розподілом.

    Наявність затримки між моментом звукового стимулу і моментом початку руху може асоціюватися з процесами обробки стимулу і з плануванням руху. В даному контексті використання ЕМГ-сигналів дає великий потенціал для виявлення різних фаз, пов'язаних

    | Рис. 4. Розподіл тимчасових затримок між моментом пред'явлення звукового сигналу і моментом початку руху, розрахованих по ряду похідною згладженого сигналу ЕМГ

    | Fig. 4. The distribution of time delays between the moment of presentation of the sound signal and the moment of the beginning of the movement, calculated via threshold of the smoothed EMG signal derivative

    з реалізацією рухової активності людини. Сучасна концепція механізму замикання умовної зв'язку [17] допускає, що асоціація вогнищ збуджень, відповідних умовного і безумовного подразників, може відбуватися як на рівні кори, так і на рівні підкірки: при триваючому надходженні за специфічними шляхами аферентних імпульсів в певний обмежений корковий осередок збудження поступово генерализованное порушення концентрується в цьому вогнищі, а потім поступається значну частину свого впливу на побудову руху нижчого вогнищ збудження, їм ющим ту перевагу, що до них продовжують притікати аферентні пропріорецептивні імпульси.

    Недавні дослідження вказують на наявність затримок при активації сенсомоторної обробки в мозку людини. Сенсомоторная обробка включає в себе фази формування, розпізнавання стимулу, категоризації-відповіді, прийняття рішення, реакції аферентних нейронів. Тривалість цих затримок порівнянна з отриманої в даній роботі, хоча і приймає менше значення в силу специфіки експерименту [17-19]. Слід зазначити, що розподіл, представлене на рис. 4, досить добре апроксимується розподілом Гаусса. Часовий інтервал, необхідний для проходження імпульсу від головного мозку до м'язів, в сумі з часовим інтервалом м'язової реакції приймає приблизно постійне значення

    для всіх повторень руху. Шумовий компонент, що визначає форму розподілу часу затримки h, є наслідком процесів, що протікають в головному мозку, що відповідають за обробку стимулу і подальшу генерацію керуючого сигналу. Ефект присутності даної шумовий компоненти [20, 21] свідчить на користь припущення про те, що початковий стан мозку до початку моменту руху по-різному і визначається процесами, що протікають в цей самий момент часу, чим і пояснюється гауссоподобний вид розподілу.

    висновок

    Таким чином, в роботі запропоновано метод, що дозволяє в автоматичному режимі визна-

    література

    1. Wood G., Kober S. E., Witte M., Neuper C. On the

    need to better specify the concept of "control" in brain-computer-interfaces / neurofeedback research. Front Syst Neurosci, 2014 року, vol. 8, pp. 171. doi: 10.3389 / fnsys.2014.00171

    2. Hayashibe M., Guiraud D., Pons J. L., Farina D. Editorial: biosignal processing and computational methods to enhance sensory motor neuroprosthetics. Front Syst Neurosci, 2015-го, vol. 9, pp. 434. doi: 10.3389 / fnins.2015.00434

    3. Mondini V., Mangia A. L., Cappella A. Single-session tDCS over the dominant hemisphere affects contralateral spectral EEG power, but does not enhance neurofeedback-guided event-related desynchroniza-tion of the non-dominant hemisphere's sensorimotor rhythm. PLoS One, 2018, vol. 13, no. 3, e0193004. doi: 10.1371 / journal.pone.0193004

    4. Runnova A. E., Zhuravlev M. O., Khramova A. E., Pisarchik A. N. The study of evolution and depression of the alpha-rhythm in the human brain EEG by means of wavelet-based methods. Proc. SPIE 2017, vol. 10337, pp. 1033713. doi: 10.1117 / 12.2267699

    5. Maksimenko V. A., van Heukelum S., Makarov V. V., Kelderhuis J., Luttjohann A., Koronovskii A. A., Hramov A. E., van Luijtelaar G. Absence seizure control by a brain computer interface. Scientific Reports 2017, vol. 7, pp. 2487. doi: 10.1038 / s41598-017-02626-y

    6. Maksimenko VA, Kurkin SA, Pitsik EN, Musa-tov V. Yu., Runnova AE, Efremova T. Yu., Hra-mov AE, Pisarchik AN Artificial neural network classification of motor-related eeg: An increase in classification accuracy by reducing signal complexity. Complexity, 2018, 9385947. doi: 10.1155 / 2018/9385947

    7. Павлов А. Н., Руннова А. Е., Максименко В. А., Павлова О. Н., Гришина Д. С., Храмов А. Е. Розпізнавання рухів руки за сигналами електро-

    лять момент початку руху. Виявлено, що в разі, коли рух починається з певного сигналу, момент початку руху детектується через деякий час після сигналу. Обговорено можливі причини і передумови отриманих результатів. Отримані результати можуть бути використані для виділення фаз «планування руху» і розширення розуміння принципів функціонування головного мозку і свідомості людини, що посприяє вирішенню ряду прикладних задач, пов'язаних з поліпшенням якості життя людей.

    Фінансова підтримка

    Робота виконана за підтримки гранту Російського наукового фонду № 17-72-30003.

    енцефалограми на основі флуктуаційного аналізу. Листи в ЖТФ, 2019, т. 45, № 4, c. 14-17. doi: 10.21883 / PJTF.2019.04.47327.17377

    8. Pavlov A. N., Runnova A. E., Maksimenko V. A., Pavlova O. N., Grishina D. S., Hramov A. E. Detrend-ed fluctuation analysis of EEG patterns associated with real and imaginary arm movements. Physica A, 2018, vol. 509, pp. 777-782. doi: https: //doi.org/10. 1016 / j.physa.2018.06.096

    9. Maksimenko VA, Pavlov A., Runnova AE, Ne-daivozov V., Grubov V., Koronovskii A., Pchelintse-va SV, Pitsik E., Pisarchik AN, Hramov AE Nonlinear analysis of brain activity, associated with motor action and motor imaginary in untrained subjects. Nonlinear Dynamics, 2018, vol. 91, no. 4, pp. 2803-2817. doi: 10.1007 / s11071-018-4047-y

    10. Reis P. M. R., Hebenstreit F., Gabsteiger F., von Tscharner V., Lochmann M. Methodological aspects of EEG and body dynamics measurements during motion. Frontiers in Human Neuroscience, 2014 року, vol. 8, no. 156, pp. 1-19. doi: 10.3389 / fnhum.2014.00156

    11. Rouillard J., Dupresa A., Cabestainga F., Leclercqb S., Bekaerta M., Piaua C., Vannobela J., Lecocq C. Hybrid BCI coupling EEG and EMG for severe motor disabilities. Procedia Manufacturing, 2015-го, vol. 3, pp. 29-36. doi: 10.1016 / j.promfg.2015.07.104

    12. Basmajian J. V. Muscle alive, their functions are revealed by electromyography. Williams and Wilkins, 1979. 555 p.

    13. De Luca C. J. Filtering the surface EMG signal: Movement artifact and baseline noise contamination. Journal of Biomechanics 2010, vol. 43, pp. 1573-1579. doi: 10.1016 / j.jbiomech.2010.01.027

    14. Kastalskiy I., Mironov V., Lobov S., Krilova N., Pimashkin A., Kazantsev V. A neuromuscular interface for robotic devices control. Computational and Mathematical Methods in Medicine, 2018, no. 8948145, pp. 1-8. doi: 10.1155 / 2018/8948145

    15. Al-Timemy A. H., Bugmann G., Escudero J. Adaptive windowing framework for surface electromyo-gram-based pattern recognition system for transradial amputees. Sensors, 2018, vol. 18, no. 8, pp. 2402. doi: 10.3390 / s18082402

    16. Chen B., Grazi L., Lanotte F., Vitiello N., Crea S. A real-time lift detection strategy for a hip exoskeleton. Frontiers in Neurorobotics, 2018, vol. 12, pp. 17. doi: 10. 3389 / fnbot.2018.00017

    17. Hazy T. E., Frank M. J., O'Reilly R. C. Neural mechanisms supporting acquired phasic dopamine responses in learning: An integrative synthesis. Neuroscience and Biobehavioral Reviews 2009, vol. 34. no. 5, pp. 701-720. doi: 10.1016 / j.neubiorev.2009.11.019

    18. Melnik A., Hairston W. D., Ferris D. P., Konig P. EEG correlates of sensorimotor processing: independent components involved in sensory and motor processing. Scientific Reports 2017, vol. 7, pp. 4461. doi: 10. +1038 / s41598-017-04757-8

    19. Asakawa T., Muramatsu A., Hayashi T., Urata T., Taya M., Mizuno-Matsumoto Y. Comparison of EEG propagation speeds under emotional stimuli on smartphone between the different anxiety states. Frontiers in Human Neuroscience, 2014 року, vol. 8, pp. 1006. doi: 10.3389 / fnhum.2014.01006

    20. Pisarchik A. N., Chholak P., Hramov A. E. Brain noise estimation from MEG response to flickering visual stimulation. Chaos, Solitons & Fractals: X, 2019, vol. 1, pp. 100005. doi: 10.1016 / j.csfx.2019. 100005

    21. Runnova A. E., Hramov A. E., Grubov V. V., Kor-onovskii A. A., Kurovskaya M. K., Pisarchik A. N.

    Theoretical background and experimental measurements of human brain noise intensity in perception of ambiguous images. Chaos, Solitons and Fractals, 2016, vol. 93, pp. 201-206. doi: 10.1016 / j.chaos.2016. 11.001

    UDC 616.8, 57.087, 577.31

    doi: 10.31799 / 1684-8853-2019-3-114-120

    Analysis of motor activity using electromyogram signals

    V. S. Khoreva>b, PhD, Phys.-Math. Senior Researcher, orcid.org/0000-0001-6613-8940 VA Maksimenkoa, PhD, Phys.-Math, Senior Researcher, orcid.org/0000-0002-4632-6896 EN Pitsika, Junior Researcher, orcid.org/0000- 0003-1850-2394

    A. E. Runnovaa>c, PhD, Phys.-Math, Senior Researcher, orcid.org/0000-0002-2102-164X S. A. Kurkina, Dr. Sc., Phys.-Math., Professor, orcid.org/0000-0002-3438-5717

    A. E. Hramova, Dr. Sc., Phys.-Math., Professor, orcid.org/0000-0003-2787-2530, Ця електронна адреса захищена від спам-ботів. Вам потрібно увімкнути JavaScript, щоб побачити її. aNeuroscience and Cognitive Technology Lab, Innopolis University, 1, Universitetskaya St., 420500, Innopolis, Russian Federation

    bSaratov State University named after N. G. Chernyshevsky, 83, Astrakhanskaya St., 410012, Saratov, Russian Federation

    cSaratov State Medical University named after V. I. Razumovsky, 112, Bolshaya Kazachia St., 410012, Saratov, Russian Federation

    Introduction: Methods of detecting the start of a movement and moments of movement planning are important in neuroscience. Using the signals of electrical activity of muscles (electromyograms) in order to precisely detect the moment of movement is a special problem, because the initial signals are complex, non-stationary and affected by noise. It is especially important in experiments with simultaneous registration of an EEG and an electromyogram, when you have to analyze the interaction between brain structures. Purpose: Development of methods for electromyogram data analysis and techniques for their use in a detailed study of motor activity. Methods: We use the threshold detection method based on calculating the derivative of the original signal filtered and smoothed. Such an approach makes it possible to estimate the starting points of the onset of motion relatively quickly and accurately, even along a part of a time series. Results: We have developed a technique which allows you to automatically detect the precursor of a movement start, based on the analysis of electromyographic signals. We have calculated the distribution of the delay between the presentation of a sound signal and the beginning of a movement, and evaluated the statistical properties of this distribution. Practical relevance: The results of this research can be used to automatically detect starting points in experiments with simultaneous EEG recording, and later be applied to solve practical problems related to the development of controlled prostheses for the rehabilitation of people with disabilities. Keywords - signal analysis, motor activity, electromyograms, filtering, automatic search, pattern recognition.

    For citation: Khorev V. S., Maksimenko V. A., Pitsik E. N., Runnova A. E., Kurkin S. A., Hramov A. E. Analysis of motor activity using electromyogram signals. Informatsionno-upravliaiushchie sistemy [Information and Control Systems], 2019, no. 3, pp. 114-120 (In Russian). doi: 10.31799 / 1684-8853-2019-3-114-120

    References

    1. Wood G., Kober S. E., Witte M., Neuper C. On the need to better specify the concept of "control" in brain-computer-in-terfaces / neurofeedback research. Front Syst Neurosci, 2014 року, vol. 8, pp. 171. doi: 10.3389 / fnsys.2014.00171

    2. Hayashibe M., Guiraud D., Pons J. L., Farina D. Editorial: biosignal processing and computational methods to en-

    hance sensory motor neuroprosthetics. Front Syst Neurosci, 2015-го, vol. 9, pp. 434. doi: 10.3389 / fnins.2015.00434 3. Mondini V., Mangia AL, Cappella A. Single-session tDCS over the dominant hemisphere affects contralateral spectral EEG power, but does not enhance neurofeedback-guided event-related desynchronization of the non- dominant hemi-

    sphere's sensorimotor rhythm. PLoS One, 2018, vol. 13, no. 3, e0193004. doi: 10.1371 / journal.pone.0193004

    4. Runnova A. E., Zhuravlev M. O., Khramova A. E., Pisar-chik A. N. The study of evolution and depression of the alpha-rhythm in the human brain EEG by means of wavelet-based methods. Proc. SPIE 2017, vol. 10337, pp. 1033713. doi: 10.1117 / 12.2267699

    5. Maksimenko V. A., van Heukelum S., Makarov V. V., Kelder-huis J., Luttjohann A., Koronovskii A. A., Hramov A. E., van Luijtelaar G. Absence seizure control by a brain computer interface. Scientific Reports 2017, vol. 7, pp. 2487. doi: 10.1038 / s41598-017-02626-y

    6. Maksimenko VA, Kurkin SA, Pitsik EN, Musatov V. Yu., Runnova AE, Efremova T. Yu., Hramov AE, Pisarchik AN Artificial neural network classification of motor-related eeg: An increase in classification accuracy by reducing signal complexity . Complexity, 2018, 9385947. doi: 10.1155 / 2018/9385947

    7. Pavlov A. N., Runnova A. E., Maksimenko V. A., Pavlova O. N., Grishina D. S., Hramov A. E. Recognizing arm motions by fluctuation analysis of EEG signals. Tech. Phys. Lett, 2019, vol. 45, pp. 129-131. doi: 10.21883 / PJTF.2019.04. 47327. 17377

    8. Pavlov A. N., Runnova A. E., Maksimenko V. A., Pavlova O. N., Grishina D. S., Hramov A. E. Detrended fluctuation analysis of EEG patterns associated with real and imaginary arm movements. Physica A, 2018, vol. 509, pp. 777-782. doi: https: //doi.org/10.1016/j.physa.2018.06.096

    9. Maksimenko VA, Pavlov A., Runnova AE, Nedaivozov V., Grubov V., Koronovskii A., Pchelintseva SV, Pitsik E., Pisarchik AN, Hramov AE Nonlinear analysis of brain activity, associated with motor action and motor imaginary in untrained subjects. Nonlinear Dynamics, 2018, vol. 91, no. 4, pp. 2803-2817. doi: 10.1007 / s11071-018-4047-y

    10. Reis P. M. R., Hebenstreit F., Gabsteiger F., von Tscharner V., Lochmann M. Methodological aspects of EEG and body dynamics measurements during motion. Frontiers in Human Neuroscience, 2014 року, vol. 8, no. 156, pp. 1-19. doi: 10. 3389 / fnhum.2014.00156

    11. Rouillard J., Dupresa A., Cabestainga F., Leclercqb S., Be-kaerta M., Piaua C., Vannobela J., Lecocq C. Hybrid BCI coupling EEG and EMG for severe motor disabilities. Procedia Manufacturing, 2015-го, vol. 3, pp. 29-36. doi: 10.1016 / j. promfg.2015.07.104

    12. Basmajian J. V. Muscle alive, their functions are revealed by electromyography. Williams and Wilkins, 1979. 555 p.

    13. De Luca C. J. Filtering the surface EMG signal: Movement artifact and baseline noise contamination. Journal of Biomechanics 2010, vol. 43, pp. 1573-1579. doi: 10.1016 / j.jbio-mech.2010.01.027

    14. Kastalskiy I., Mironov V., Lobov S., Krilova N., Pimashkin A., Kazantsev V. A neuromuscular interface for robotic devices control. Computational and Mathematical Methods in Medicine, 2018, no. 8948145, pp. 1-8. doi: 10.1155 / 2018/8948145

    15. Al-Timemy A. H., Bugmann G., Escudero J. Adaptive windowing framework for surface electromyogram-based pattern recognition system for transradial amputees. Sensors, 2018, vol. 18, no. 8, pp. 2402. doi: 10.3390 / s18082402

    16. Chen B., Grazi L., Lanotte F., Vitiello N., Crea S. A real-time lift detection strategy for a hip exoskeleton. Frontiers in Neurorobotics, 2018, vol. 12, pp. 17. doi: 10.3389 / fnbot. 2018.00017

    17. Hazy T. E., Frank M. J., O'Reilly R. C. Neural mechanisms supporting acquired phasic dopamine responses in learning: An integrative synthesis. Neuroscience and Biobehav-ioralReviews 2009, vol. 34. no. 5, pp. 701-720. doi: 10.1016 / j. neubiorev.2009.11.019

    18. Melnik A., Hairston W. D., Ferris D. P., Konig P. EEG correlates of sensorimotor processing: independent components involved in sensory and motor processing. Scientific Reports 2017, vol. 7, pp. 4461. doi: 10.1038 / s41598-017-04757-8

    19. Asakawa T., Muramatsu A., Hayashi T., Urata T., Taya M., Mizuno-Matsumoto Y. Comparison of EEG propagation speeds under emotional stimuli on smartphone between the different anxiety states. Frontiers in Human Neuroscience, 2014 року, vol. 8, pp. 1006. doi: 10.3389 / fnhum.2014.01006

    20. Pisarchik A. N., Chholak P., Hramov A. E. Brain noise estimation from MEG response to flickering visual stimulation. Chaos, Solitons & Fractals: X, 2019, vol. 1, pp. 100005. doi: 10.1016 / j.csfx.2019.100005

    21. Runnova A. E., Hramov A. E., Grubov V. V., Koronovskii A. A., Kurovskaya M. K., Pisarchik A. N. Theoretical background and experimental measurements of human brain noise intensity in perception of ambiguous images. Chaos, Solitons and Fractals, 2016, vol. 93, pp. 201-206. doi: 10. 1016 / j.cha-os.2016.11.001


    Ключові слова: АНАЛІЗ СИГНАЛІВ / РУХОВА АКТИВНІСТЬ / електроміограму / ФІЛЬТРАЦІЯ / Автоматичний ПОШУК / РОЗПІЗНАВАННЯ патерни / SIGNAL ANALYSIS / MOTOR ACTIVITY / ELECTROMYOGRAMS / FILTERING / AUTOMATIC SEARCH / PATTERN RECOGNITION

    Завантажити оригінал статті:

    Завантажити