Применение нейросетевых фильтров для улучшения фильтрации сигнала электромиографа
| Parent link: | Известия Томского политехнического университета [Известия ТПУ]. Промышленная кибернетика: сетевое издание/ Национальный исследовательский Томский политехнический университет.— .— Томск: ТПУ, 2023-.— 2413-1830 Т. 2, № 1.— 2024.— С. 30-37 |
|---|---|
| その他の著者: | , , |
| 要約: | Электромиография – это метод измерения электрической активности мышц, который широко используется в биомеханике, медицинской диагностике и реабилитации. Однако сигналы электромиографии часто подвержены шумам и помехам, что затрудняет их интерпретацию и анализ. В данной работе предлагается фильтрация сигнала электромиографии на основе нейросетей, что позволяет эффективно извлекать полезную информацию из сигнала, минимизируя влияние шумов и искажений. Этот подход включает в себя предварительную обработку сигнала, разработку архитектуры нейросетевого фильтра и его обучение на подходящих данных. Экспериментальные результаты демонстрируют высокую эффективность этого метода по сравнению с аналоговыми методами фильтрации сигналов электромиографии. Возможности применения предлагаемого метода обработки сигналов охватывают сферы медицинского анализа и восстановительной медицины, где требуется точная обработка данных с электромиографией. В исследовании описывается процесс разработки системы идентификации данных для определения положения руки оператора копирующего манипулятора и прилагаемого усилия Electromyography is a widely applied method for measuring the electrical activity of muscles in medical diagnostics, rehabilitation, and biomechanics. However, electromyography signals often encounter challenges due to noise and interference, complicating their interpretation and analysis. This paper proposes a novel approach: filtering electromyography signals using neural networks. This method effectively extracts valuable information from the signals while minimizing the impact of noise and distortion. The proposed approach involves preprocessing the signal, designing a neural network filter architecture, and training it on appropriate datasets. Experimental results demonstrate the superior efficiency of this method compared to traditional analog methods for filtering electromyography signals. The proposed signal processing method finds applications in medical analysis and rehabilitation medicine, particularly in tasks requiring precise handling of electromyography data. The paper further details the development of a data identification system aimed at determining the position of the hand of a manipulator operator and the applied force Текстовый файл |
| 言語: | ロシア語 |
| 出版事項: |
2024
|
| 主題: | |
| オンライン･アクセス: | https://earchive.tpu.ru/handle/11683/82170 https://doi.org/10.18799/29495407/2024/1/48 |
| フォーマット: | 電子媒体 図書の章 |
| KOHA link: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=675880 |
MARC
| LEADER | 00000naa2a2200000 4500 | ||
|---|---|---|---|
| 001 | 675880 | ||
| 005 | 20250117181126.0 | ||
| 090 | |a 675880 | ||
| 100 | |a 20241025d2024 k||y0rusy50 ca | ||
| 101 | 0 | |a rus | |
| 102 | |a RU | ||
| 135 | |a drcn ---uucaa | ||
| 200 | 1 | |a Применение нейросетевых фильтров для улучшения фильтрации сигнала электромиографа |d Application of neural network filters for improving an electromyogram signal filtration |z eng |f Андрей Анатольевич Бошляков, Никита Александрович Шилов, Максим Иванович Жарков | |
| 320 | |a Список литературы: с. 35-36 (23 назв.) | ||
| 330 | |a Электромиография – это метод измерения электрической активности мышц, который широко используется в биомеханике, медицинской диагностике и реабилитации. Однако сигналы электромиографии часто подвержены шумам и помехам, что затрудняет их интерпретацию и анализ. В данной работе предлагается фильтрация сигнала электромиографии на основе нейросетей, что позволяет эффективно извлекать полезную информацию из сигнала, минимизируя влияние шумов и искажений. Этот подход включает в себя предварительную обработку сигнала, разработку архитектуры нейросетевого фильтра и его обучение на подходящих данных. Экспериментальные результаты демонстрируют высокую эффективность этого метода по сравнению с аналоговыми методами фильтрации сигналов электромиографии. Возможности применения предлагаемого метода обработки сигналов охватывают сферы медицинского анализа и восстановительной медицины, где требуется точная обработка данных с электромиографией. В исследовании описывается процесс разработки системы идентификации данных для определения положения руки оператора копирующего манипулятора и прилагаемого усилия | ||
| 330 | |a Electromyography is a widely applied method for measuring the electrical activity of muscles in medical diagnostics, rehabilitation, and biomechanics. However, electromyography signals often encounter challenges due to noise and interference, complicating their interpretation and analysis. This paper proposes a novel approach: filtering electromyography signals using neural networks. This method effectively extracts valuable information from the signals while minimizing the impact of noise and distortion. The proposed approach involves preprocessing the signal, designing a neural network filter architecture, and training it on appropriate datasets. Experimental results demonstrate the superior efficiency of this method compared to traditional analog methods for filtering electromyography signals. The proposed signal processing method finds applications in medical analysis and rehabilitation medicine, particularly in tasks requiring precise handling of electromyography data. The paper further details the development of a data identification system aimed at determining the position of the hand of a manipulator operator and the applied force | ||
| 336 | |a Текстовый файл | ||
| 461 | 1 | |0 672190 |9 672190 |t Известия Томского политехнического университета [Известия ТПУ]. Промышленная кибернетика |o сетевое издание |f Национальный исследовательский Томский политехнический университет |c Томск |n ТПУ |d 2023- |x 2413-1830 | |
| 463 | 1 | |0 675648 |9 675648 |t Т. 2, № 1 |d 2024 |v С. 30-37 | |
| 610 | 1 | |a электронный ресурс | |
| 610 | 1 | |a нейросеть | |
| 610 | 1 | |a биопотенциал | |
| 610 | 1 | |a электромиография | |
| 610 | 1 | |a манипулятор | |
| 610 | 1 | |a neural network | |
| 610 | 1 | |a biopotential | |
| 610 | 1 | |a electromyography | |
| 610 | 1 | |a manipulator | |
| 701 | 1 | |a Бошляков |b А. А. |g Андрей Анатольевич | |
| 701 | 1 | |a Шилов |b Н. А. |g Никита Александрович | |
| 701 | 1 | |a Жарков |b М. И. |g Максим Иванович | |
| 801 | 0 | |a RU |b 63413507 |c 20241025 | |
| 850 | |a 63413507 | ||
| 856 | 4 | |u https://earchive.tpu.ru/handle/11683/82170 |z https://earchive.tpu.ru/handle/11683/82170 | |
| 856 | 4 | |u https://doi.org/10.18799/29495407/2024/1/48 |z https://doi.org/10.18799/29495407/2024/1/48 | |
| 942 | |c CF | ||