АНАЛИЗ СОВРЕМЕННЫХ МЕТОДОВ ОБРАБОТКИ ЭЛЕКТРОМИОГРАФИЧЕСКИХ СИГНАЛОВ
Keywords:
электромиография, биосигналы, фильтрация, вейвлет- преобразование, извлечение признаков, машинное обучение, обработка сигналов.Abstract
В статье рассмотрены современные подходы к обработке электромиографических (ЭМГ) сигналов, направленные на повышение точности и информативности анализа биоэлектрической активности мышц. Проведено систематическое сравнение временных, частотных и вейвлет-методов, а также гибридных алгоритмов, объединяющих их преимущества. Особое внимание уделено проблемам шумоподавления, извлечения информативных признаков и интерпретации результатов при исследовании мышечной активности в спорте и биомедицинской инженерии. На основе анализа отечественных и зарубежных источников выделены тенденции развития современных систем ЭМГ-анализа, включающие применение машинного обучения и адаптивных алгоритмов фильтрации.
Downloads
References
1. Merletti R., Parker P.A. Electromyography: Physiology, Engineering and Noninvasive Applications. — New York: IEEE Press – Wiley-Interscience, 2004. — 494 p.
2. De Luca C.J. The use of surface electromyography in biomechanics // Journal of Applied Biomechanics, 1997. — Vol. 13, No. 2. — P. 135–163.
3. Farina D., Merletti R., Enoka R.M. The extraction of neural information from the surface EMG // Journal of Applied Physiology, 2004. — Vol. 96, No. 4. — P. 1486–1495.
4. Clancy E.A., Hogan N. Single-site electromyographic amplitude estimation // IEEE Transactions on Biomedical Engineering, 1994. — Vol. 41, No. 2. — P. 159–167.
5. Phinyomark A., Limsakul C., Phukpattaranont P. Feature extraction of EMG signals for pattern classification // Measurement Science Review, 2011. — Vol. 11, No. 2. — P. 45–52.
6. Dimitrov G.V., Arabadzhiev T.I., Mileva K.N. Muscle fatigue and EMG spectral changes // Muscle & Nerve, 2006. — Vol. 33, No. 6. — P. 760–773.
7. Сатторов М. Э., Собиров А. Б. Электромиография сигналларини қайта ишлаш: параметрлар ва усуллар таҳлили // Илмий техника журнали «ФарПИ ахборотномаси» (Fergana Polytechnic Institute Bulletin), 2023. — Т. 27, № 2. — С. 87–93.
8. Рахматов Б. М., Абдуллаев Ш. С. Аналитический обзор методов регистрации и обработки сигналов электромиографии // International Journal of Digital Technology (IJDT, Узбекистан), 2025. — Т. 3, № 1. — С. 55–61.
9. Oskoei M.A., Hu H. Support Vector Machine-based classification scheme for myoelectric control // IEEE Transactions on Biomedical Engineering, 2008. — Vol. 55, No. 8. — P. 1956–1965.
10. Atzori M., Gijsberts A., Castellini C. et al. Deep learning for hand movement classification based on surface EMG // Neural Networks, 2016. — Vol. 88. — P. 60–68.
11. Tkach D., Huang H., Kuiken T.A. Study of stability of time-domain features for myoelectric pattern recognition // Journal of NeuroEngineering and Rehabilitation, 2010. — Vol. 7, Article
Downloads
Published
Issue
Section
License
This work is licensed under a Creative Commons Attribution 4.0 International License.
License Terms of our Journal
