**
Résumé
**
Au cours des dernières décennies, les applications des biorobots, tels que les exosquelettes, les prothèses et les fauteuils roulants robotiques, sont passées de machines de science-fiction à des produits presque commerciaux. Bien qu'il existe encore des défis avec les signaux d'électromyographie (EMG), les progrès dans l'utilisation des signaux EMG pour contrôler ces applications de biorobots sont énormes.
De même, les tendances récentes et les tentatives de développement de méthodes de contrôle basées sur l'électroencéphalogramme (EEG) ont également montré le potentiel de ce domaine dans le domaine des biorobots modernes, mais les méthodes de contrôle basées sur l'EEG doivent être améliorées.
Une nouvelle méthode qui combine ces deux méthodes de contrôle, utilise les avantages de chaque système et réduit les inconvénients, il peut donc s'agir d'un système très prometteur. Cet article passe en revue les méthodes de contrôle de la fusion hybride basées sur l'EMG et l'EEG qui ont été essayées ou développées dans le domaine des biorobots ces dernières années, et propose quelques pistes futures potentielles.
01Introduction aux méthodes de contrôle
Les derniers développements dans le domaine des biorobots ont contribué à améliorer la qualité de vie d'une série de personnes à bien des égards. Pour les personnes physiquement faibles, handicapées ou blessées, des applications ou des équipements tels que prothèses, exosquelettes, robots de téléopération et smart les fauteuils roulants leur fournissent la vie apporte un peu d'espoir. Cependant, le contrôle de ces appareils nécessite des techniques ou des méthodes complexes car ils interagissent généralement avec des utilisateurs humains.
Les principales exigences pour ces appareils, telles que la précision, la fiabilité à long terme et la sécurité, sont primordiales. Par conséquent, afin de répondre à ces exigences, de nombreuses méthodes de contrôle ont été proposées, chacune utilisant un type de signal d'entrée différent.
L'électromyographie (EMG) peut refléter directement l'intention de mouvement humain ou l'activité musculaire de l'utilisateur. Par conséquent, l'électromyographie (EMG) a toujours été l'un des signaux biologiques les plus couramment utilisés dans les méthodes de contrôle des robots biologiques. De nombreux exemples, tels que les fauteuils roulants, les prothèses et les exosquelettes / orthèses ont tous montré l'efficacité des signaux musculaires basés sur l'EMG.
Les méthodes basées sur l'EMG ne peuvent pas être utilisées comme données d'entrée. Par exemple, les personnes atteintes de paralysie complète du membre supérieur peuvent ne pas être en mesure d'utiliser un équipement tel que l'exosquelette car il est difficile d'obtenir des signaux de contrôle des muscles du membre paralysé.
D'autre part, avec l'avancement de la technologie, BCI (interface cerveau-ordinateur) ou BMI (interface cerveau-machine) a attiré l'attention du domaine des biorobots. L'interface cerveau-ordinateur peut ouvrir de nouvelles façons de décoder directement les signaux cérébraux de l'utilisateur pour contrôler des appareils tels que des prothèses, des exosquelettes ou des fauteuils roulants; par exemple, même si les membres de l'utilisateur ne peuvent pas effectuer de mouvement suffisant, il peut toujours générer des signaux cérébraux commandants. Ces signaux peuvent être utilisés pour cette interface de contrôle cérébral pour piloter l'exosquelette.
Parmi une variété de méthodes d'acquisition de signaux cérébraux, l'électroencéphalographie (EEG) est considérée comme une méthode non invasive et pratique adaptée aux systèmes réels. Diverses tentatives d'implémentation d'interfaces basées sur des signaux EEG peuvent être trouvées dans des applications telles que les fauteuils roulants, les membres artificiels et les exosquelettes. Cependant, étant donné que l'EEG a des difficultés telles qu'une faible fiabilité, une faible précision, une faible adaptabilité de l'utilisateur et un faible taux de transmission de données, BCI / BMI qui n'utilise que des signaux EEG comme entrée principale ne peut pas être pleinement accepté dans les applications biorobot.
Afin de surmonter les problèmes des méthodes de contrôle EEG et EMG, la combinaison des deux systèmes, en utilisant les avantages de chaque signal et en réduisant leurs limitations, peut être une méthode. Par exemple, dans le cas du contrôle des membres prothétiques, certains muscles requis par la méthode EMG peuvent ne pas être disponibles.Dans ce cas, le signal EEG peut être utilisé pour compenser le signal EMG manquant.
De plus, dans des exemples tels que les exosquelettes, certains muscles requis pour le signal EMG peuvent être déconnectés ou paralysés, ou certains nerfs connectés aux muscles requis peuvent être déconnectés. Dans ce cas, EEG peut également être utilisé pour compenser le signal EMG manquant. Même si tous les muscles nécessaires à l'EMG sont disponibles, l'EEG peut toujours être utilisé pour éliminer les effets de la fatigue ou des tremblements inattendus.
Cet article passe principalement en revue l'interface EEG-EMG hybride / fusion proposée jusqu'à présent dans les applications biorobots et détermine les caractéristiques de conception, les avantages et les inconvénients importants de ces systèmes. Bien qu'il existe de nombreux commentaires sur les méthodes de contrôle basées sur EMG ou sur les méthodes de contrôle basées sur EEG (utilisant BCI), il est difficile de trouver un aperçu détaillé des méthodes hybrides EEG-EMG actuellement dans les applications biorobot.
En fait, bien que certains commentaires sur les BCI hybrides aient été publiés, il n'y a pas d'article détaillant la méthode de contrôle hybride EEG-EMG, en particulier pour l'application des biorobots. Un article de synthèse écrit en temps opportun combiné aux méthodes EEG et EMG pour contrôler l'application de cette technologie de biorobot aidera non seulement à déterminer l'état actuel du domaine de recherche, mais aussi à toute personne intéressée par le lancement / le développement de tels systèmes.Les gens fournissent des informations.
En plus de passer en revue l'application des méthodes hybrides basées sur l'EEG-EMG dans les biorobots, nous avons également discuté de l'application des méthodes de contrôle hybrides EMG-EEG dans les biorobots, et nous proposerons également plusieurs directions futures possibles.
"Chut! Insérez tranquillement une petite publicité"
Figure 1 Image physique BCIduino Les
paramètres spécifiques de l'amplificateur EEG 8 canaux BCIduino sont les suivants:
Impédance d'entrée: 1TΩ
Courant de polarisation d'entrée: 300pA
Bruit de référence d'entrée: 1μVpp
Taux d'échantillonnage: 250 Hz / 500Hz
Taux de rejet en mode commun: gain
réglable de -110dB facteur d'amplification: 1, 2, 4, 6
, 8, 12, 24 résolution: ADC 24 bits, précision jusqu'à 0,1 μV
consommation d'énergie: 39 mW en fonctionnement normal, aussi faible que 10 μW en veille en
utilisant une alimentation par batterie au lithium rechargeable, réduire encore les interférences externes.
Taille: 50 mm * 50 mm (mesure physique, avec de légères erreurs)
Figure 2 La forme d'onde de données de BCIduino dans un environnement bruyant ordinaire et un état flottant, et aucune autre interférence ne peut être observée
. Figure 3 La forme d'onde de données d'OpenBCI dans un environnement bruyant ordinaire, état flottant (l'environnement de mesure, le temps de mesure et les paramètres de réglage du filtre logiciel sont les mêmes que ceux de la figure 2BCIduino)
Ajouter la gestion pour en avoir plus
Cet article est organisé ou rédigé par la communauté open source de l'interface cerveau-ordinateur BCIduino. La communauté d'interface cerveau-ordinateur BCIduino a été initiée et établie par des maîtres et des médecins de l'Université Beihang, Cornell University, Peking University, Capital Medical University, etc. Bienvenue à rejoindre la communauté en scannant le code et en notant "BCI", et également bienvenue à acheter des modules BCIduino EEG (certains Recherche de trésor)