РАЗРАБОТКА АППАРАТНОЙ АРХИТЕКТУРЫ СИСТЕМЫ УПРАВЛЕНИЯ БИОНИЧЕСКИМ ПРОТЕЗОМ ВЕРХНЕЙ КОНЕЧНОСТИ ДЛЯ ПРИМЕНЕНИЯ В ВОЕННОЙ И ГРАЖДАНСКОЙ РЕАБИЛИТАЦИИ
DOI:
https://doi.org/10.56132/2791-3368-2026-2-66-162-179Ключевые слова:
поверхностная электромиография (ЭМГ), бионический протез, аппаратная архитектура, медицинская реабилитация, военная медицина, реабилитационные технологии, протезирование верхних конечностей, подавление помех, сигма-дельта аналого-цифровой преобразователь (АЦП)Аннотация
В данной статье представлена разработка аппаратной архитектуры системы управления бионическим протезом верхней конечности на основе поверхностной электромиографии (ЭМГ). Предлагаемая система предназначена для регистрации, усиления, фильтрации и оцифровки биоэлектрических сигналов, генерируемых скелетными мышцами, с целью обеспечения надежных входных данных для алгоритмов управления протезом. Разработанная аппаратная архитектура включает инструментальный усилитель для регистрации низкоамплитудных ЭМГ-сигналов, схему активного подавления синфазных помех для снижения внешних шумов, активный полосовой фильтр с полосой пропускания 60–500 Гц для выделения информативного частотного диапазона ЭМГ-сигнала, каскад регулируемого усиления и высокоточный сигма-дельта аналого-цифровой преобразователь (АЦП) для оцифровки сигналов. Актуальность предлагаемого решения обусловлена возрастающей потребностью в современных протезно-реабилитационных технологиях для гражданских пациентов и военнослужащих с ампутациями верхних конечностей, вызванными травмами и боевыми повреждениями. Разработанная аппаратная архитектура обеспечивает надежную платформу для регистрации и обработки биосигналов в реабилитационно-ориентированных протезных системах, способствуя восстановлению двигательных функций и повышению функциональной независимости пациентов. Для оценки эффективности предложенной архитектуры было выполнено схемотехническое моделирование в среде Multisim. В качестве входных сигналов использовались реальные записи ЭМГ, полученные из базы биомедицинских сигналов PhysioNet. Дополнительно для моделирования условий, приближенных к реальной эксплуатации, в сигнал были внесены искусственные помехи, включая сетевые наводки частотой 50 Гц и низкочастотные дыхательные артефакты. Результаты моделирования продемонстрировали эффективное подавление нежелательных гармонических составляющих при сохранении информативных спектральных компонентов ЭМГ-сигнала. Проведен анализ элементной базы с учетом таких параметров, как входное сопротивление, шумовые характеристики, энергопотребление и габаритные размеры компонентов. Разработанная архитектура характеризуется модульностью, возможностью регулировки коэффициента усиления, энергоэффективностью и масштабируемостью для многоканальных реализаций. Предлагаемое решение может быть использовано при разработке автономных бионических протезов верхних конечностей для медицинской реабилитации гражданских пациентов и военнослужащих, а также служить аппаратной платформой для интеграции интеллектуальных алгоритмов управления в современные протезные системы.
Скачивания
Библиографические ссылки
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
