Підвищення  точності машинного навчання системи розпізнавання електроміографічних сигналів

Микита  Супруненко; Микита  Мироненко; Іван  Павленко; Дмитро  Прилепа

doi:10.25140/2411-5363-2026-1(43)-128-140

Автор(и)

Микита Супруненко Сумський національний аграрний університет, Україна https://orcid.org/0009-0001-8342-3003
Микита Мироненко Сумський державний університет, Україна https://orcid.org/0000-0001-5005-1672
Іван Павленко Cумський державний університет, Україна https://orcid.org/0000-0002-6136-1040
Дмитро Прилепа Сумський державний університет, Україна https://orcid.org/0000-0002-4022-5496

DOI:

https://doi.org/10.25140/2411-5363-2026-1(43)-128-140

Ключові слова:

електроміографічний сигнал; інформаційно-екстремальне машинне навчання; інформаційний критерій; оптимізація параметрів машинного навчання; протез кисті

Анотація

Запропоновано метод інформаційно-екстремального машинного навчання системи розпізнавання електроміографічних сигналів неінвазивного протеза, які реєструють електричну активність м’язів руки при когнітивних командах на виконання неінвазивним протезом відповідних жестів кісті руки. Метод забезпечує необхідну умову досягнення високої точності глибокого машинного навчання шляхом максимізації середньої міжкласової кодової відстані. У результаті застосування інформаційно-екстремального машинного навчання третього рівня глибини побудовано високодостовірні вирішувальні правила для розпізнавання нечітких електроміографічних сигналів на виконання жестів середнього та безіменного пальців руки.

Посилання

Svensson, P., Wijk, U., Björkman, A., & Antfolk, C. (2017). A review of invasive and non-invasive sensory feedback in upper limb prostheses. Expert Review of Medical Devices, 14(6), 439–447. https://doi.org/10.1080/17434440.2017.1332989.

Salminger, S., Stino, H., Pichler, L. H., Gstoettner, C., Sturma, A., Mayer, J. A., Szivak, M., & Aszmann, O. C. (2022). Current rates of prosthetic usage in upper-limb amputees – Have innovations had an impact on device acceptance? Disability and Rehabilitation, 44(14), 3708–3713. https://doi.org/10.1080/09638288.2020.1866684.

Stango, A., Negro, F., & Farina, D. (2015). Spatial correlation of high density EMG signals provides features robust to electrode number and shift in pattern recognition for myocontrol. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 23(2), 189–198. https://doi.org/ 10.1109/tnsre.2014.2366752.

Sattar, N. Y., Kausar, Z., Usama, S. A., Farooq, U., & Khan, U. S. (2021). EMG based control of transhumeral prosthesis using machine learning algorithms. International Journal of Control, Automation and Systems. https://doi.org/10.1007/s12555-019-1058-5.

Abbaspour, S., Lindén, M., Gholamhosseini, H., Naber, A., & Ortiz-Catalan, M. (2019). Evaluation of surface EMG-based recognition algorithms for decoding hand movements. Medical & Biological Engineering & Computing, 58(1), 83–100. https://doi.org/10.1007/s11517-019-02073-z.

Roche, A. D., Rehbaum, H., Farina, D., & Aszmann, O. C. (2014). Prosthetic myoelectric control strategies: A clinical perspective. Current Surgery Reports, 2(3). https://doi.org/10.1007/ s40137-013-0044-8.

Zhang, T., Jiang, L., & Liu, H. (2018). Design and functional evaluation of a dexterous myoelectric hand prosthesis with biomimetic tactile sensor. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 26(7), 1391–1399. https://doi.org/10.1109/tnsre.2018.2844807.

Markovic, M., Dosen, S., Popovic, D., Graimann, B., & Farina, D. (2015). Sensor fusion and computer vision for context-aware control of a multi degree-of-freedom prosthesis. Journal of Neural Engineering, 12(6), 066022. https://doi.org/10.1088/1741-2560/12/6/066022.

Atzori, M., Cognolato, M., & Müller, H. (2016). Deep learning with convolutional neural networks applied to electromyography data: A resource for the classification of movements for prosthetic hands. Frontiers in Neurorobotics, 10. https://doi.org/10.3389/fnbot.2016.00009.

Fang, Y., Yang, J., Zhou, D., & Ju, Z. (2022). Modelling EMG driven wrist movements using a bio-inspired neural network. Neurocomputing, 470, 89–98. https://doi.org/10.1016/j.neucom.2021.10.104.

Castruita-López, J. F., Aviles, M., Toledo-Pérez, D. C., Macías-Socarrás, I., & Rodríguez-Reséndiz, J. (2025). Electromyography signals in embedded systems: A review of processing and classification techniques. Biomimetics, 10(3), 166. https://doi.org/10.3390/biomimetics10030166.

Hossen, M. A., & Abas, P. E. (2025). Machine learning for human activity recognition: State-of-the-art techniques and emerging trends. Journal of Imaging, 11(3), 91. https://doi.org/ 10.3390/jimaging11030091.

Cui, C., Sunar, M. S., & Eg Su, G. (2025). Deep vision-based real-time hand gesture recognition: A review. PeerJ Computer Science, 11, Article e2921. https://doi.org/10.7717/peerj-cs.2921.

Yu, M., Li, G., Jiang, D., et al. (2023). Hand medical monitoring system based on machine learning and optimal EMG feature set. Personal and Ubiquitous Computing, 27, 1991–2007. https://doi.org/10.1007/s00779-019-01285-2.

Mountrakis, G., Im, J., & Ogole, C. (2011). Support vector machines in remote sensing: A review. ISPRS Journal of Photogrammetry and Remote Sensing, 66(3), 247–259. https://doi.org/10.1016/j.isprsjprs.2010.11.001.

Suprunenko, M. K., Zborshchyk, O. P., & Sokolov, O. (2022). Information-Extreme machine learning of wrist prosthesis control system based on the sparse training matrix. Journal of Engineering Sciences, 9(2), E28—E35. https://doi.org/10.21272/jes.2022.9(2).e4.

Dovbysh, A., Piatachenko, V., Myronenko, M., Suprunenko, M., & Simonovskiy, J. (2024b). Hierarchical information-extreme machine learning of hand prosthesis control system based on decursive data structure. Journal of Engineering Sciences, 11(2), E1–E8. https://doi.org/10.21272/ jes.2024.11(2).e1.

Kaczmarek, P., Mańkowski, T., & Tomczyński, J. (2019). PutEMG–A surface electromyography hand gesture recognition dataset. Sensors, 19(16), 3548. https://doi.org/10.3390/ s19163548.

Lin, L., Dai, Y., Zhang, G., Ge, Y., Mayet, A. M., Pan, X., Yang, G., & Lin, M. (2025). Low-Computational EMG gesture recognition for prosthetic control via handcrafted features and lightweight MLP. Results in Engineering, 106602. https://doi.org/10.1016/j.rineng.2025.106602.