ӘСКЕРИ ЖӘНЕ АЗАМАТТЫҚ ОҢАЛТУ МАҚСАТТАРЫНА АРНАЛҒАН ЖОҒАРҒЫ АЯҚ-ҚОЛДЫҢ БИОНИКАЛЫҚ ПРОТЕЗІН БАСҚАРУ ЖҮЙЕСІНІҢ АППАРАТТЫҚ АРХИТЕКТУРАСЫН ӘЗІРЛЕУ
DOI:
https://doi.org/10.56132/2791-3368-2026-2-66-162-179Кілт сөздер:
беттік электромиография (ЭМГ), бионикалық протез, аппараттық архитектура, медициналық оңалту, әскери медицина, оңалту технологиялары, жоғарғы аяқ-қол протездеуі, кедергілерді басу, сигма-дельта аналогтық-цифрлық түрлендіргішАңдатпа
Бұл мақалада беттік электромиография (ЭМГ) негізінде жоғарғы аяқ-қолдың бионикалық протезін басқару жүйесінің аппараттық архитектурасын әзірлеу қарастырылған. Ұсынылған жүйе қаңқа бұлшықеттері өндіретін биоэлектрлік сигналдарды тіркеуге, күшейтуге, сүзгілеуге және цифрландыруға арналған, бұл протезді басқару алгоритмдері үшін сенімді кіріс деректерін қамтамасыз етеді. Әзірленген аппараттық архитектура құрамына төмен амплитудалы ЭМГ сигналдарын қабылдауға арналған аспаптық күшейткіш, сыртқы шуды азайту үшін синфазалық кедергілерді белсенді басу схемасы, ЭМГ сигналының ақпараттық жиілік диапазонын бөліп көрсетуге арналған өткізу жолағы 60–500 Гц болатын белсенді жолақтық сүзгі, күшейту коэффициенті реттелетін каскад және сигналдарды цифрландыруға арналған жоғары дәлдікті сигма-дельта аналогтық-цифрлық түрлендіргіш (АЦТ) кіреді. Ұсынылып отырған шешімнің өзектілігі жарақаттар мен жауынгерлік зақымданулар салдарынан жоғарғы аяқ-қолынан айырылған азаматтық пациенттер мен әскери қызметкерлерге арналған заманауи протездеу және оңалту технологияларына деген қажеттіліктің артуымен байланысты. Әзірленген аппараттық архитектура оңалтуға бағытталған протездік жүйелерде биосигналдарды тіркеу мен өңдеудің сенімді платформасын қамтамасыз етіп, қозғалыс функцияларын қалпына келтіруге және пайдаланушылардың функционалдық тәуелсіздігін арттыруға ықпал етеді. Ұсынылған архитектураның тиімділігін бағалау мақсатында Multisim модельдеу ортасында схемотехникалық модельдеу жүргізілді. Кіріс сигналдары ретінде PhysioNet биомедициналық сигналдар дерекқорынан алынған нақты ЭМГ жазбалары пайдаланылды. Сонымен қатар, нақты пайдалану жағдайларын модельдеу үшін сигналға 50 Гц жиіліктегі электр желісінің кедергілері мен төмен жиілікті тыныс алу артефактілері сияқты жасанды бұрмаланулар енгізілді. Модельдеу нәтижелері ЭМГ сигналының ақпараттық спектрлік құрамдастарын сақтай отырып, қажетсіз гармоникаларды тиімді басуды көрсетті. Элементтік базаға кіретін компоненттерге кіріс кедергісі, шу сипаттамалары, қуат тұтынуы және габариттік өлшемдері сияқты параметрлер бойынша талдау жүргізілді. Әзірленген архитектура модульділігімен, күшейту коэффициентін реттеу мүмкіндігімен, энергия тиімділігімен және көпарналы жүйелерге бейімделу мүмкіндігімен ерекшеленеді. Ұсынылған шешім азаматтық пациенттер мен әскери қызметкерлерді медициналық оңалтуға арналған автономды жоғарғы аяқ-қол бионикалық протездерін әзірлеуде қолданылуы мүмкін, сондай-ақ заманауи протездік жүйелерге интеллектуалды басқару алгоритмдерін енгізуге арналған аппараттық платформа ретінде қызмет атқара алады.
##plugins.themes.default.displayStats.downloads##
Әдебиеттер тізімі
1. De Luca, C. J., Gilmore, L. D., Kuznetsov, M., & Roy, S. H. (2010). Filtering the surface EMG signal: Movement artifact and baseline noise contamination. Journal of Biomechanics. Retrieved from https://www.bu.edu/nmrc/files/2010/06/103.pdf
2. Merletti, R., & Cerone, G. L. (2020). Surface EMG detection, conditioning and pre-processing: Best practices. Journal of Electromyography and Kinesiology. Retrieved from https://www.robertomerletti.it/assets/pdfs/publications/2020_Tutorial_Merletti_Cerone.pdf
3. Analog Devices. (n.d.). AD623 instrumentation amplifier (Datasheet, Rev. G). Retrieved from https://www.analog.com/media/en/technical-documentation/data-sheets/ad623.pdf
4. Texas Instruments. (n.d.). INA114 precision instrumentation amplifier (Datasheet, Rev. B). Retrieved from https://www.ti.com/lit/ds/symlink/ina114.pdf
5. Texas Instruments. (n.d.). ADS1299-x low-noise, 24-bit, delta-sigma ADC for EEG and biopotential measurements (Datasheet, Rev. C). Retrieved from https://www.ti.com/lit/ds/symlink/ads1299.pdf
6. PhysioNet. (n.d.). Examples of Electromyograms (EMGDB). Retrieved from https://physionet.org/content/emgdb/
7. Scheme, E., & Englehart, K. (2011). Electromyogram pattern recognition for control of powered upper-limb prostheses. Journal of Rehabilitation Research & Development, 48(6), 643–660.
8. Phinyomark, A., Phukpattaranont, P., & Limsakul, C. (2012). Feature extraction and selection for myoelectric control based on wearable EMG sensors. Medical Engineering & Physics, 34(9), 1176–1184.
9. De Luca, C. (2002). Surface electromyography: Detection and recording. Boston: DelSys Inc.
10. Farina, D., & Aszmann, O. (2014). Bionic limbs: Clinical reality and academic promises. Science Translational Medicine, 6(257), 257ps12.
11. Ozhikenov, K. A., Li, V. V., Almazuly, A., Khassen, S. R., Turash, A. T., & Turash, D. T. (2025). Development of the software and hardware components of a bionic hand prosthesis control system. Medicine, Science and Education, 316–330. https://doi.org/10.24412/1609-8692-2025-0-316-330
