مقاله انگلیسی پوشش سیگنال الکترونیکی الکترومیوگرافی (2018 الزویر)

Electromyography (EMG) signals are an important topic of active research in view of their wide range of medical applications. For example, EMG signals have been classified using different criteria in order to diagnose neuromuscular disorders [1], they have been used as a tool in the evaluation of generalized tonic–clonic seizure semiology [2], in the recognition of emotions using facial recordings and statistical methods [3], in the automatic control of upper limbprosthesis [4], as a criterionto determine the differences in lower-extremity muscular activation walking between older and young adults [5], in the investigation of neck and shoulder muscle activity of orthodontists in natural environments [6] and as a mechanism to measure shoulder muscle fatigue during repetitive tasks [7] among other interesting biomedical applications. It is important to recall that EMG signals are measurements of the difference of electric potentials between two electrodes. In turn, these measurements are highly correlated to the intensity in muscular activity [8]. There are various well-established procedures to record EMG signals, one of them is called superficial electromyography (sEMG), which consists in placing the electrodes over the skin covering the muscle of interest using a conductive gel to get better data readings [9]. An sEMG signal is essentially a random stationary temporal series in which the activity of the measured muscle is reflected as an increase in the signal amplitude (also called a ‘burst’ in this work). Muscular activity may be identified by finding the localization, duration, shape and amplitude of those bursts in the electric signal. Beforehand we must recall that there are various approaches to investigate EMG signals from an automatic point of view. For instance,the recentliterature showsprogresses onde-noising techniques to remove electric interferences in EMG signals [10], on the efficient decision-tree algorithms for the classification of EMG signals using the discrete wavelettransform [11], on the use oftwodirectional two-dimensional principal component analysis based on stationary wavelets for EMG signals [12] and on the detection of activation/deactivation patterns in EMG signals with two [13] or more levels of electric activity [14]. However, the methods have sometimes limited applicability, and there are still many open problems in the development of robust methodologies for the investigation of EMG signals. As an example on the limitations of some of the methodologies available in the literature, recall that one way to recover the signal burst shape is by computing its envelope. The most common methods to compute envelopes are using moving averages [15,16], root-mean squares [17,18] and Butterworth low-pass filters [19,20]. However, it is important to point out that these methods lack effectiveness in detecting the beginning and the end of the bursts, and that this problem becomes more evident when one tries to obtain a smooth envelope. More concretely, this shortcoming appears when the window size is increased in the case of moving averages or root-meansquares, and whenthe cutfrequency is decreased in the case of Butterworth low-pass filters. For illustration purposes, Fig. 1 shows the limitations inherent to the calculation of envelopes using moving averages (top), root-mean squares (middle) and the Butterworth low-pass filter (bottom). In that figure, envelopes were calculated for the same EMG signal using the procedures described above. The signal is shown in gray while the envelope is depicted in dark blue. The black rectangles enhance the points of the temporal series where the methods fail to detect correctly the end of an activation period. Obviously, this is a strong limitation of these techniques which merits a closer attention.

سیگنال الکترومیوگرافی (EMG) موضوع مهم پژوهش تحقیقاتی با توجه به طیف وسیعی از کاربردهای پزشکی است. به عنوان مثال، سیگنال های EMG با استفاده از معیارهای مختلف برای تشخیص اختلالات عصبی-عضلانی طبقه بندی شده اند [1]، آنها به عنوان یک ابزار در ارزیابی تقسیم بندی کلیه تقسیم بندی شده اند [2]، در شناخت احساسات با استفاده از ضبط صورت و روش های آماری [3]، در کنترل اتوماتیک اندام تحتانی اندام [4]، به عنوان یک معیار برای تعیین تفاوت در راه رفتن فعال سازی ماهیچه ای پایین اندام بین بزرگسالان بزرگ و جوان [5]، در تحقیق فعالیت های عضلانی گردن و شانه ارتودنسی در محیط طبیعی [6] و به عنوان مکانیسم برای اندازه گیری خستگی عضلانی شانه در طی وظایف تکراری [7] در بین سایر کاربردهای جالب توجه زیست پزشکی. مهم است که به یاد بیاوریم که سیگنال های EMG اندازه گیری اختلاف پتانسیل الکتریکی بین دو الکترود است. به نوبه خود، این اندازه گیری ها به شدت با شدت فعالیت عضلانی ارتباط دارد [8]. روشهای متعددی برای ثبت سیگنال های EMG وجود دارد که یکی از آنها الکترومیوگرافی سطحی (sEMG) نامیده می شود که شامل قرار دادن الکترود روی پوست است که عضله مورد علاقه را با استفاده از ژل رسانایی برای خواندن داده ها بهتر می کند [9]. سیگنال sEMG اساسا یک سری زمانی موقت تصادفی است که در آن فعالیت عضله اندازه گیری شده به عنوان افزایش دامنه سیگنال (همچنین به عنوان “پشت سر هم” در این کار) منعکس شده است. فعالیت های عضلانی ممکن است با یافتن مکان، طول، شکل و دامنه این انفجار در سیگنال الکتریکی شناسایی شود. پیش از این باید یادآوری کنیم که روش های مختلفی برای بررسی سیگنال های EMG از یک نقطه نظر خودکار وجود دارد. به عنوان مثال، مقالات اخیر نشان می دهد پیشرفت تکنیک های نوشتن برای حذف تداخل الکتریکی در سیگنال EMG [10]، در الگوریتم های درخت تصمیم گیری مناسب برای طبقه بندی سیگنال های EMG با استفاده از تبدیل موجک دیجیتال [11]، استفاده از دو بعدی دو بعدی تجزیه و تحلیل جزء بر اساس موجک های ثابت برای سیگنال های EMG [12] و در تشخیص الگوهای فعال / غیر فعال سازی در سیگنال های EMG با دو [13] و یا بیشتر از سطوح فعالیت الکتریکی [14]. با این حال، این روش ها بعضی اوقات کاربرد محدودی دارند، و هنوز هم بسیاری از مشکلات باز در توسعه روش های قوی برای بررسی سیگنال های EMG وجود دارد. به عنوان مثال در محدودیت های برخی از روش های موجود در ادبیات، به یاد بیاورید که یکی از راه های بازیابی شکل سیگنال خروجی، محاسبه پاکت آن است. رایج ترین روش برای محاسبه پاکت ها با استفاده از میانگین های متحرک [15، 16]، مربع های متوسط ​​ریشه [17،18] و فیلترهای پایین گذر Butterworth [19،20] است. با این حال، مهم است که اشاره کنیم که این روش ها در تشخیص آغاز و پایان انفجار موثر نیست و این مسئله زمانی که یک سعی می شود پاکت صاف را بدست آورد، آشکارتر می شود. به طور دقیق تر، این کمبود به نظر می رسد زمانی که اندازه پنجره افزایش می یابد در مورد میانگین متحرک و یا ریشه-meanquares، و هنگامی که cutfrequency در مورد فیلترهای پایین گذر Butterworth کاهش می یابد. برای اهداف تصویری، شکل 1 محدودیت های ذاتی محاسبه پاکت ها را با استفاده از میانگین متحرک (بالا)، مربع میانگین ریشه (میانی) و فیلتر پایین گذر Butterworth (پایین) نشان می دهد. در این رقم، پاکت برای همان سیگنال EMG با استفاده از روش های بالا توضیح داده شد. سیگنال در خاکستری نشان داده می شود در حالی که پاکت در آبی تیره نشان داده شده است. مستطیل های سیاه و سفید نقاط سری زمانی را افزایش می دهند که در آن روش ها قادر به درستی تشخیص پایان دوره فعال شدن نیستند. بدیهی است، این یک محدودیت قوی از این تکنیک ها است که توجه بیشتری را جلب می کند.

توجه؛ (این ترجمه توسط نرم افزار انجام شده و ویرایش نشده است و احتمال وجود اشتباه در آن وجود دارد. در صورت ثبت سفارش، ترجمه توسط مترجمین مجرب انجام خواهد شد. برای مشاهده نمونه ترجمه های تخصصی و اخیر مترجمین جهت اطمینان از کیفیت ترجمه، اینجا کلیک نمایید.)